Learning3D：3维点云数据的深度学习现代库

最新推荐文章于 2024-07-13 21:18:24 发布
最新推荐文章于 2024-07-13 21:18:24 发布
阅读量924 收藏 5
点赞数 1
文章标签： 深度学习 人工智能 计算机视觉
原文链接：https://github.com/vinits5/learning3d
版权
Learning3D是一个开源的Python库，专注于3D点云数据的深度学习算法。该库提供了多种预训练模型，如PointNet、PPFNet等，支持的数据集包括ModelNet40，并涵盖了点云分类、分割、配准等多种任务。此外，还包含各种损失函数，如Chamfer Distance和Correspondence Loss。库的使用包括数据加载、模型创建和损失函数应用等步骤，适用于不同的3D深度学习场景。
摘要由CSDN通过智能技术生成

Learning3D：3维点云数据的深度学习库

源链接：https://github.com/vinits5/learning3d

文档 | 博客 | 示例代码

Learning3D是一个开源库，支持处理3维数据的深度学习算法的开发。Learning3D有在python中目前效果好的深度神经网络。为了进一步开发，这里提供了模块化的代码。欢迎开源社区的贡献。

在Learning3D 可用的CV算法

序号 任务 算法
1 分类 PointNet, DGCNN, PPFNet, PointConv
2 分割 PointNet, DGCNN
3 重建 Point Completion Network (PCN)
4 配准 PointNetLK, PCRNet, DCP, PRNet, RPM-Net, DeepGMR
5 Flow Estimation FlowNet3D
6 Inlier Estimation MaskNet

可使用的预训练模型

  1. PointNet
  2. PCN
  3. PointNetLK
  4. PCRNet
  5. DCP
  6. PRNet
  7. FlowNet3D
  8. RPM-Net (clean-trained.pth, noisy-trained.pth, partial-pretrained.pth)
  9. DeepGMR
  10. PointConv （通过这个 链接下载）
  11. MaskNet

可使用的数据集

  1. ModelNet40

可使用的损失函数

  1. 分类损失函数（交叉熵(Cross Entropy)）
  2. 配准损失函数 (FrobeniusNormLoss, RMSEFeaturesLoss)
  3. 距离损失函数(Chamfer Distance, Earth Mover’s Distance)
  4. 对应关系损失函数（Correspondence Loss） (基于这篇文章)

技术细节

支持的系统

  1. Ubuntu 16.04
  2. Ubuntu 18.04
  3. Linux Mint

开发环境

  1. CUDA 10.0 或更高的版本
  2. Pytorch 1.3 或更高的版本

如何使用这个库

请注意：要Clone 这个库到你的项目里，请不要将自己的代码添加到**learning3d**中

  1. 所有的网络都定义在models这个模块中；
  2. 所有的损失函数都定义在losses这个模块中；
  3. Data loaders 提前定义在data_utils/dataloaders.py这个文件中；
  4. 所有的预训练模型都在learning3d/pretrained 文件夹之中；

文档

B: 批量大小（Ba

最低0.47元/天 解锁文章
MrVoider
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
探索Learning3D：一个创新的3D学习资源库
gitblog_00083的博客
04-15 386
探索Learning3D：一个创新的3D学习资源库 项目地址:https://gitcode.com/vinits5/learning3d 项目简介 Learning3D 是一个开源项目，旨在为开发者、学生和爱好者提供丰富的3D学习材料和示例代码。它不仅仅是一个仓库，更是一个互动的学习平台，帮助用户理解3D图形学的基本概念，并将其应用到实际项目中。 技术分析 Learning3D 使用了现代We...
learning3d:这是pytorch中用于3D点云的最新深度学习方法的完整软件包（带有预先训练的模型）
04-29
Learning3D：一个用于3D点云数据深度学习的现代图书馆。 | | Learning3D是一个开放源代码库，支持开发处理3D数据的深度学习算法。 Learning3D在python中公开了一组最先进的深度神经网络。 提供了模块化代码以供进一步开发。 我们欢迎开源社区的贡献。 最新消息： [2020年12月24日]： 现在已准备好提高被闭塞点云的learning3d中注册算法的性能。 [2020年12月24日]：在考虑了论文之后，将基于预测和地面真相对应的损失添加到learning3d中。 [2020年12月24日]： ，现在在learning3d中可以使用在点云上进行卷积的潜在特征估计。 [2020年10月16日]： ，现在在learning3d中可以使用高斯混合模型进行注册 [2020年10月14日]：现在，在learning3d中使用您自己的数据。 （查看功能！）
论文笔记——Learning 3D-aware Egocentric Spatial-Temporal Interaction via Graph Convolutional Networks
qq_43687144的博客
11-21 208
**思路：**以自动驾驶汽车为观察视角结合鸟瞰图建立两张图Ego-Thing Graph，Ego-Stuff Graph。用聚合了空间特征与时间信息的自动驾驶汽车节点的特征做行为判断。 创新点： 1、使用两张图 2、提出了MaskAlign。 整体框架： 节点特征提取方式：Mask R-CNN 边建立规则：由两物体的特征联系与距离大小决定（边建立一般都这样） 空间聚合方式：图卷积。 时间聚合方式：Element-wise Max Pooling.（论文中也尝试了不同的时间聚合方式如拼接后用多层感知机，Av
Make3D: Learning 3D Scene Structure from a Single Still Image
05-02
We consider the problem of estimating detailed 3D structure from a single still image of an unstructured environment. Our goal is to create 3D models that are both quantitatively accurate as well as visually pleasing. For each small homogeneous patch in the image, we use a Markov Random Field (MRF) to infer a set of “plane parameters” that capture both the 3D location and 3D orientation of the patch. The MRF, trained via supervised learning, models both image depth cues as well as the relationships between different parts of the image. Other than assuming that the environment is made up of a number of small planes, our model makes no explicit assumptions about the structure of the scene; this enables the algorithm to capture much more detailed 3D structure than does prior art and also give a much richer experience in the 3D flythroughs created using image-based rendering, even for scenes with significant nonvertical structure. Using this approach, we have created qualitatively correct 3D models for 64.9 percent of 588 images downloaded from the Internet. We have also extended our model to produce large-scale 3D models from a few images.
论文阅读：2D3DNet:Learning 3D Semantic Segmentation with only 2D Image Supervision
qq_53086461的博客
04-02 659
2D图像指导三维分割
「可解释ML/3D深度学习等」Github六月最受欢迎的机器学习库来啦
喜欢打酱油的老鸟
07-03 580
https://www.toutiao.com/a6706469836307825163/ SHUBHAM SINGH总结了Github上6月份最火的7个项目。这七个项目涵盖可解释性机器学习、3D深度学习、时间序列挖掘以及可视化工具等。各个项目都非常优秀。值得收藏查看。 InterpretML by Microsoft – Machine Learning Interpretabilit...
pyntcloud：pyntcloud是用于处理3D点云的Python库
01-31
这个库为用户提供了在Python环境中操作、分析和可视化3D点云的便利工具，使其成为研究和开发3D计算机视觉、机器学习，特别是深度学习在3D领域的应用的理想选择。 点云数据通常由一系列在三维空间中的点组成，每个点...
Deep Learning and Multimodal Fusion of 3D Point Cloud
09-05
3D深度学习是针对3D数据进行的机器学习，主要利用神经网络模型处理点云、网格、体素等3D表示形式。相比于2D图像，3D数据提供了额外的空间维度，使模型能够更好地理解和解析环境。关键的技术包括3D卷积神经网络（3D ...
基于深度学习的点云匹配.pdf
08-18
点云匹配是计算机视觉和计算机图形学中的一个重要研究方向，旨在解决三维点云数据之间的匹配问题。近年来，深度学习技术的兴起和成功应用于图像处理、自然语言处理等领域，对点云匹配技术产生了深远的影响。基于深度...
3D机器学习：3D机器学习的资源库
01-28
5. **Neural Networks**：神经网络是3D机器学习的核心工具，尤其是深度学习模型。这些模型可以学习从3D数据中提取特征，并用于分类、分割、检测和重建任务。 6. **3D Reconstruction**：3D重建是指从多个二维图像或...
Based+3d+object+detection_雷达数据集训练3d目标检测的实例_目标检测_雷达三维_
09-28
例如，"Automotive Radar Dataset for Deep Learning Based 3d object detection"数据集就提供了丰富的雷达数据，用于深度学习模型的训练。该数据集可能包含了不同天气条件、光照变化、多种交通参与者等多种复杂情况...
三维点云数据集
小白学视觉
05-10 2326
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达1The Stanford 3D Scanning Repository（斯坦福大学的3 d扫描存储库）链接：http://graphics.stanford.edu/data/3Dscanrep/这应该是做点云数据最初大家用最多的数据集，其中包含最开始做配准的Bunny、Happy Buddha、Dr...
python三维点云投影（一）
叶子的博客
04-11 9112
三维平面的统一表示方法： 假设（x1, y1, z1）、（x2，y2，z2）为平面上两个点，那么可以得到： (x2-x1, y2-y1, z2-z1)是平面上的一个向量，并且根据上式可知，（A, B, C）与这个向量垂直，显然（A, B, C）为平面的法向量。 假设（x0, y0, z0）为空间中的任意一点，它在平面上的投影坐标为（x, y, z），那么由这两个点组成的向量也是平面的法向量，则应与法向量（A, B, C）平行，从而可以得到：
3D世界课程—— 3D点云深度学习介绍
科学的殿堂
09-17 116
注意：kitti数据集的label都是基于相机坐标系的。如果使用雷达的label，需要进行相机和雷达之间的矩阵转换。label——真值，错错错。应该是数据帧 ————————帧值？比kitti数据集规模大，场景也更加丰富，白天，晚上，雨雪雾等天气。kitti中的中心点，都是底面中心点，而不是3Dbox的中心点。面相python的，是Open3D。点云稀疏，如果使用图像中卷积的算法，会造成大量的计算浪费。点云数据格式比较多，只关注常用的即可。课程主要学习点云和体素，栅格网的不学。常见获取3D信息的方式。
点云损失函数Chamfer Distance 和 Earth Mover‘s Distance
qq_39964246的博客
08-12 5267
浅析点云损失函数Chamfer Distance 和 Earth Mover‘s Distance
[CVPR 2020] 3DRegNet: A Deep Neural Network for 3D Point Registration
zhulf0804的博客
10-11 1588
零、概要 论文: 3DRegNet: A Deep Neural Network for 3D Point Registration tag: CVPR 2020; Registration 代码: https://github.com/3DVisionISR/3DRegNet 作者: G. Dias Pais, Srikumar Ramalingam, Venu Madhav Govindu, Jacinto C. Nascimento, Rama Chellappa, and Pedro Mirald
PPFNet
仙界天堂
12-19 870
1.Abstract vicinity附近，邻近 PPFNet learns local descriptors on pure geometry and is highly aware of the global context. 替换不变性思路来源于PointNet。 他们的方法可以用原始点云作为输入，并且可以处理稀疏性。 创新：提出了N-tuple loss 和 一个连接全局信息和...
卷积神经网络-猫狗识别实战
最新发布
sylviiiiiia的博客
07-13 380
CNN
【深度学习】图形模型基础(6)：模型优化理论
MUKAMO的博客
07-10 876
模型优化理论关注提升模型性能、准确性和效率。SGD（随机梯度下降）是其关键算法之一，通过随机选取样本计算梯度并更新模型参数，以提高训练速度和适用性。SGD尤其适合大规模数据集，但可能因梯度噪声导致收敛波动。改进算法如动量法和自适应学习率算法（如Adam）进一步加速收敛并提升精度。总之，模型优化理论和SGD是机器学习不可或缺的工具，助力提升模型性能，推动深度学习发展。
3D imaging technologies -- multidimensional signal processing
06-24
3D Imaging Technologies -- Multidimensional Signal Processing and Deep Learning Methods, Algorithms and Applications, Volume II是一本综合性的学术著作，深入剖析了3D成像技术与深度学习如何通过集成智能和...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值