PointNet和PointNet++的Pytorch代码实现。

5星

浏览量: 0

大小:None

文件类型：None

简介：
更新于2021年3月27日：（1）发布了语义分割的预训练模型，其中PointNet++取得了53.5%的mIoU分数。(2) 同时，发布了这些预训练模型，以便用于分类和部分分割任务的日志记录。 2021年3月20日：对分类代码进行了更新，具体包括：（1）加入了用于训练ModelNet10数据集的代码，并设置了--num_category 10参数。（2）添加了仅在CPU上运行的代码，通过使用--use_cpu参数实现。（3）进一步增强了离线数据预处理代码，以加速训练过程，并使用了--process_data参数。（4）还增加了用于均匀采样训练的代码，通过使用--use_uniform_sample参数实现。 2019年11月26日：（1）修正了先前代码中的一些缺陷，并引入了数据增强技术，从而使得仅使用1024分就能达到92.8%的准确率。(2) 增加了测试代码模块，涵盖分类、分割以及语义分割的可视化功能。（3）将所有模型整理至./models文件目录中，以便于用户轻松访问和利用。

全部评论 (0)

还没有任何评论哟~

客服

PointNet与PointNet++的Pytorch实现

优质

本项目提供PointNet和PointNet++在PyTorch框架下的完整实现，适用于点云数据的分类、语义分割等任务。更新如下： 2021/03/27：（1）发布语义分割的预训练模型，其中PointNet++可以达到53.5%的mIoU。（2）发布用于分类和部分分割任务的预训练模型。 2021/03/20：更新了分类代码，包括以下内容：（1）添加了用于ModelNet10数据集训练的代码。使用--num_category 10参数进行设置。（2）增加了仅在 CPU 上运行的选项。通过使用--use_cpu 参数启用此功能。（3）加入了离线数据预处理代码以加速训练过程，可以通过使用 --process_data 参数来激活该功能。（4）添加了用于均匀采样训练的数据增强方法。利用--use_uniform_sample参数实现。 2019/11/26：（1）修复了一些先前版本中存在的错误，并引入了数据增强技巧。现在仅用1024点即可达到92.8%的准确率。（2）添加了测试代码，包括分类和分割任务以及可视化语义分割结果的功能。（3）将所有模型整理到./models文件夹中，方便用户使用。

PyTorch版PointNet++代码

优质

本项目提供了基于PyTorch框架实现的PointNet++源码，适用于点云数据处理任务，包含分类和语义分割功能。 @article{Pytorch_Pointnet_Pointnet2, Author = {Xu Yan}, Title = {Pointnet/Pointnet++ Pytorch}, Journal = {https://github.com/yanx27/Pointnet_Pointnet2_pytorch}, Year = {2019}} 重写后的内容如下： @article{Pytorch_Pointnet_Pointnet2, Author = {Xu Yan}, Title = {Pointnet/Pointnet++ Pytorch}, Journal = {}, Year = {2019}}

PointNet_pytorch_PointNet的PyTorch实现.zip

优质

本资源提供了一个用PyTorch框架实现的PointNet代码库，适用于点云数据处理与分类任务。包含模型训练、测试及预处理脚本。 PointNet.pytorch 是 PointNet (https://arxiv.org/abs/1612.00593) 在 PyTorch 中的实现。模型代码位于 pointnet.py 文件中。下载数据并运行 bash 脚本即可使用。

PointNet2_PyTorch: PointNet++的PyTorch实现版本

优质

简介：PointNet2_PyTorch是PointNet++的PyTorch版实现，适用于点云理解任务，支持多种数据集与模型架构，便于研究和开发。 Pointnet2/Pointnet++ PyTorch 项目状态：未维护。由于时间有限，我没有更新此代码的计划，并且不会响应问题。该项目是用 PyTorch 编写的 Pointnet2/Pointnet++ 版本，支持多 GPU 使用和 PyTorch 版本 >= 1.0.0 的环境。对于旧版本的 PyTorch 支持，请参考官方发布的模型定义和超参数（在 tensorflow 中）。注意：Pointnet++ 所使用的自定义操作目前仅在使用 CUDA 的 GPU 上受支持。该项目已通过 Python {3.6, 3.7} 版本进行测试，安装依赖项时请运行 `pip install -r requirements.txt` 命令，并且该 repo 已经用 PyTorch {1.4, 1.5} 进行了测试。它可能适用于比 1.5 更新的版本，但这不能保证。

PointNet2.PyTorch：基于PyTorch的更快PointNet++实现

优质

PointNet2.PyTorch是基于PyTorch框架的一个更快速、高效的PointNet++实现版本，适用于点云处理任务。 Pointnet2.PyTorch 是基于 PyTorch 的实现，并通过重新编写 CUDA 操作使其比原始代码更快。安装要求： - Linux（已在 Ubuntu 14.04 / 16.04 上测试） - Python 3.6+ - PyTorch 1.0 安装方法：运行以下命令来安装此库。 ``` cd pointnet2 python setup.py install cd ../ ``` 示例：这里提供了一个简单的例子，展示如何在 KITTI Outdoor 前景点云分割任务中使用这个库。有关任务描述和前景标签生成的详细信息，请参考相关论文。下载训练数据后，文件应按照以下方式组织： Pointnet2.PyTorch ├── pointnet2 ├── tools │ ├── data │ │ ├── KITTI │ │ │ ├── ImageSets

PointNet-Pytorch模型

优质

PointNet-Pytorch模型是一款基于PyTorch框架实现的深度学习点云处理工具，它能够直接从原始点云数据中提取特征，适用于分类、语义分割等多种任务。 PointNet-PyTorch 是 PyTorch 中 PointNet 的实现。分类数据集为 ModelNet10。下载脚本是 sh modelnet_data_download.sh，训练脚本为 python train_cls.py。相关论文链接：PointNet: https://arxiv.org/pdf/1612.00593.pdf（arxiv） 3D ShapeNets

PointNet2/PointNet++的PyTorch实现- Python项目开发

优质

本Python项目提供PointNet2（又称PointNet++）的PyTorch实现，适用于点云数据处理和机器学习任务，助力深度学习研究与应用开发。用PyTorch编写的Pointnet2/Pointnet++的实现支持多GPU，并通过nn.DataParallel进行扩展。该版本适用于PyTorch 1.0及以上版本。对于较旧版本，可以参考v1.0分支中的代码。正式的模型定义和超参数可以在charlesq34/pointnet2仓库中找到（以tensorflow格式）。使用CUDA的GPU当前仅支持Pointnet++使用的自定义操作。安装环境：已通过Python 3.6 和 Python 3.7 测试过此仓库。

PointNet-QT

优质

PointNet-QT是一款创新的点云处理框架，专为快速原型设计与小型设备优化而生，它在保持高性能的同时大幅减少了模型体积和计算需求。读研期间无聊时编写的一个小演示程序。该应用基于Qt平台开发，并实现了PointNet算法的点云分类与分割功能，点击exe文件可以直接运行。 - classes 文件夹包含类别文件； - clouds 文件夹存放点云数据（支持txt或pcd格式）； - models 文件夹内有模型文件； - source 文件夹则包含了源代码。

PyTorch下的PointNet++点云处理详解

优质

本篇教程深入解析了使用PyTorch实现PointNet++的方法与技巧，重点介绍了其在点云数据处理中的应用和优势。三维点云是物理世界的三维数据表达形式，在自动驾驶、AR/VR、FaceID等领域得到广泛应用。PointNet网络模型作为直接对三维点云进行深度学习的开创性作品，而PointNet++则是其改进版本。这两项技术在点云处理领域具有里程碑意义，并启发了后续大量研究工作。本课程将深入解析PyTorch版的PointNet++，涵盖原理讲解、论文复现以及代码详解等环节： 1. 提供ModelNet40（三维点云物体分类数据集）、ShapeNet（物体部件分割数据集）和S3DIS（场景分割数据集），并介绍如何下载这些数据集及可视化方法。 2. 在Ubuntu系统上展示使用PointNet++进行三维点云的物体分类、部件分割以及场景语义分割训练与测试的具体步骤。 3. 详细解释PointNet++的工作原理，程序代码及其实现细节，并通过PyCharm工具来进行调试和单步跟踪。

PointNet-ScanNet：在ScanNet数据集上评估PointNet++

优质

本文旨在评估PointNet++模型在ScanNet大规模3D场景理解数据集上的表现，并进行深入分析。 PointNet是一种基于点云数据的深度学习架构，由Charles R. Qi等人于2017年提出，主要用于3D形状理解和处理。它能够直接处理不规则的3D点云数据，解决了传统方法对网格或体素化的需求。PointNet++是其扩展版本，通过分层采样和聚集操作增强了模型对局部结构的理解能力，在复杂3D几何形状处理中表现更优。标题中的“PointNet-ScanNet”指的是将PointNet++应用到ScanNet数据集上的实验研究。ScanNet是一个包含超过2500个场景的RGB-D视频的大规模室内3D扫描数据集，每个场景都配有精细的3D重建和语义分割注释，是评估三维深度学习模型性能的理想平台。描述中的“点网扫描网”很可能是指使用PointNet++对ScanNet进行分析建模。由于其捕捉局部特征的能力，该方法在解析复杂室内环境时具有显著优势。开发和测试基于Python的PointNet++模型通常包括以下步骤： 1. 数据预处理：将RGB-D图像转换为点云格式，并可能需要配准、去除噪声及标准化等操作。 2. 构建网络结构：利用PointNet++多尺度群聚架构，通过采样和聚合层逐步提取特征。 3. 训练与优化：使用ScanNet的标注信息作为监督信号训练模型。这通常涉及反向传播算法如Adam或SGD以最小化预测误差。 4. 模型评估：在验证集和测试集上根据IoU、精度及召回率等指标进行性能评价。 5. 应用与可视化：利用已训练好的模型对新场景做推理，并通过MeshLab或ParaView展示结果。文件名PointNet-ScanNet-master可能表明这是一个包含实现代码的项目仓库，包括数据预处理脚本、网络结构定义及评估逻辑等。开发者可借此了解并实践PointNet++在实际3D场景理解任务中的应用。