Pointnet_Pointnet2_pytorch下载Pointnet_Pointnet2

Pointnet_Pointnet2_pytorch

Python

1.0.0

下载

PointNet和PointNet ++的Pytorch实现

此存储库是Pytorch中PointNet和PointNet ++的实现。

更新

2021/03/27：

（1）释放用于语义分割的预训练模型，其中PointNet ++可以达到53.5％ MIOU。

（2）在log/中释放用于分类和零件分割的预训练模型。

2021/03/20：进行分类的更新代码，包括：

（1）添加训练ModelNet10数据集的代码。使用--num_category 10的设置。

（2）添加仅在CPU上运行的代码。使用--use_cpu的设置。

（3）添加脱机数据预处理的代码以加速培训。使用--process_data的设置。

（4）添加均匀采样的训练代码。使用--use_uniform_sample的设置。

2019/11/26：

（1）修复了以前的代码中的一些错误，并添加了数据增强技巧。现在，只有1024分的分类可以达到92.8％ ！

（2）添加了测试代码，包括分类和分割，以及具有可视化的语义分割。

（3）将所有模型组织到./models文件中，以便于使用。

安装

最新代码在Ubuntu 16.04，Cuda10.1，Pytorch 1.6和Python 3.7上进行了测试：

conda install pytorch==1.6.0 cudatoolkit=10.1 -c pytorch

分类（ModelNet10/40）

数据准备

在此处下载Alignment ModelNet并保存在data/modelnet40_normal_resampled/ 。

跑步

您可以使用以下代码运行不同的模式。

如果要使用数据的离线处理，则可以在第一次运行中使用--process_data 。您可以在此处下载预处理数据，然后将其保存在data/modelnet40_normal_resampled/ 。
如果要在ModelNet10上进行训练，则可以使用--num_category 10 。

 # ModelNet40
# # Select different models in ./models 

# # e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg
python test_classification.py --log_dir pointnet2_cls_ssg

# # e.g., pointnet2_ssg with normal features
python train_classification.py --model pointnet2_cls_ssg --use_normals --log_dir pointnet2_cls_ssg_normal
python test_classification.py --use_normals --log_dir pointnet2_cls_ssg_normal

# # e.g., pointnet2_ssg with uniform sampling
python train_classification.py --model pointnet2_cls_ssg --use_uniform_sample --log_dir pointnet2_cls_ssg_fps
python test_classification.py --use_uniform_sample --log_dir pointnet2_cls_ssg_fps

# ModelNet10
# # Similar setting like ModelNet40, just using --num_category 10

# # e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg --num_category 10
python test_classification.py --log_dir pointnet2_cls_ssg --num_category 10

表现

模型	准确性
Pointnet（官方）	89.2
PointNet2（官方）	91.9
点网（没有正常的pytorch）	90.6
PointNet（pytorch at an Formal）	91.4
pointnet2_ssg（pytorch没有正常）	92.2
pointnet2_ssg（pytorch的正常）	92.4
pointnet2_msg（pytorch的正常）	92.8

零件分割（Shapenet）

数据准备

在此处下载对齐塑形并保存在data/shapenetcore_partanno_segmentation_benchmark_v0_normal/ 。

跑步

 ## Check model in ./models 
## e.g., pointnet2_msg
python train_partseg.py --model pointnet2_part_seg_msg --normal --log_dir pointnet2_part_seg_msg
python test_partseg.py --normal --log_dir pointnet2_part_seg_msg

表现

模型	不可能的avg iou	avg class iou
Pointnet（官方）	83.7	80.4
PointNet2（官方）	85.1	81.9
Pointnet（Pytorch）	84.3	81.1
pointnet2_ssg（pytorch）	84.9	81.8
pointnet2_msg（pytorch）	85.4	82.5

语义细分（S3DIS）

数据准备

在此处下载3D室内解析数据集（ S3DIS ），然后保存在data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/ 。

 cd data_utils
python collect_indoor3d_data.py

处理后的数据将保存在data/stanford_indoor3d/ 。

跑步

 ## Check model in ./models 
## e.g., pointnet2_ssg
python train_semseg.py --model pointnet2_sem_seg --test_area 5 --log_dir pointnet2_sem_seg
python test_semseg.py --log_dir pointnet2_sem_seg --test_area 5 --visual

可视化结果将保存在log/sem_seg/pointnet2_sem_seg/visual/中，您可以通过meshlab可视化这些.obj文件。

表现

模型	总体ACC	avg class iou	检查点
Pointnet（Pytorch）	78.9	43.7	40.7MB
pointnet2_ssg（pytorch）	83.0	53.5	11.2MB

可视化

使用show3d_balls.py

 ## build C++ code for visualization
cd visualizer
bash build.sh 
## run one example 
python show3d_balls.py

使用Meshlab

参考

halimacc/pointnet3
fxia22/pointnet.pytorch
charlesq34/pointnet
charlesq34/pointnet ++

引用

如果您发现此存储库对您的研究有用，请考虑引用它和我们的其他作品：

 @article{Pytorch_Pointnet_Pointnet2,
      Author = {Xu Yan},
      Title = {Pointnet/Pointnet++ Pytorch},
      Journal = {https://github.com/yanx27/Pointnet_Pointnet2_pytorch},
      Year = {2019}
}

 @InProceedings{yan2020pointasnl,
  title={PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling},
  author={Yan, Xu and Zheng, Chaoda and Li, Zhen and Wang, Sheng and Cui, Shuguang},
  journal={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
  year={2020}
}

 @InProceedings{yan2021sparse,
  title={Sparse Single Sweep LiDAR Point Cloud Segmentation via Learning Contextual Shape Priors from Scene Completion},
  author={Yan, Xu and Gao, Jiantao and Li, Jie and Zhang, Ruimao, and Li, Zhen and Huang, Rui and Cui, Shuguang},
  journal={AAAI Conference on Artificial Intelligence ({AAAI})},
  year={2021}
}

 @InProceedings{yan20222dpass,
      title={2DPASS: 2D Priors Assisted Semantic Segmentation on LiDAR Point Clouds}, 
      author={Xu Yan and Jiantao Gao and Chaoda Zheng and Chao Zheng and Ruimao Zhang and Shuguang Cui and Zhen Li},
      year={2022},
      journal={ECCV}
}