Pointnet
秋无所畏惧
计算机视觉、三维可视化、点云分割、目标识别
展开
-
PointNet_sem_seg制作npy数据集文件
代码中利用collect_indoor3d_data.py制作npy数据集collect_indoor3d_data.pyanno_path包含了272个训练数据的相对路径import osimport sysBASE_DIR = os.path.dirname(os.path.abspath(__file__))ROOT_DIR = os.path.dirname(BASE_DIR)sys.path.append(BASE_DIR)import indoor3d_utilanno_p原创 2020-07-05 17:30:58 · 2478 阅读 · 2 评论 -
PointNet语义分割预测代码部分最详解!!!!!
包含以下相关文件metaall_data_list :列举的是数据集中所包含的所有训练数据,以npy格式结尾;anno_path : 是对应文件的相对存放路径;area6_data_label :为验证训练模型时所用到数据集的数据文件列表;class_name :数据集所包含的所有13类分类类别;batch_inference.py :用于预测分类,将预测结果导出collect_indoor3d_data :用于生成npy格式文件indoor3d_uti.py :包含了作者写的功能性函数b原创 2020-07-05 16:58:54 · 3103 阅读 · 13 评论 -
Pointnet(part_seg)train.py,test.py代码随记
train.pyhdf5_data_dir = 数据集路径 #读取数据集的路径 创建os.mkdir(train_result) #创建train_result文件夹 color_map_file = part_color_mapping.json #读取颜色json文件路径,一共50类 color_map = json.load() #读取.json文件内容 读取overallid原创 2020-06-30 17:02:59 · 1018 阅读 · 4 评论 -
PointNet(part_seg)零件分割原理数据集及代码解释
之前博客就在说要连着做pointnet的三个部分的代码解析,但中间修复电脑以及Pointnet++学习导致博客更新鸽了下来,现在真有种感觉,写博客比看代码要难得多,想要写出一篇让自己满意的博客太难了,可能是自己逻辑不够的清晰,当自己返回去再看自己曾经写的博客,就感觉很水,这可能也是证明了自己在那个方面还没有真正吃透吧,希望从这篇博客开始加以修正!原创 2020-06-30 11:21:59 · 8636 阅读 · 34 评论 -
PointNet网络详解+分类解读
经过十几天对pointnet代码的学习,搜索查询了大量关于pointnet的博客,终于将分类,零件细分,语义分割三个部分代码全部跑完,在此做一个总结,也是对自己一个认知的检验。这篇文章将先对pointnet分类代码进行详解,后续详解将在之后更新。原创 2020-06-13 10:15:44 · 9645 阅读 · 17 评论 -
PointNet分类代码学习(一)----论文翻译
论文翻译论文原文:添加链接描述摘要1.点云是一种重要的几何数据结构,由于无序性,把点云数据转换成有序的3D体素网格或者图片集合会使数据增加导致问题。2.本文设计了一种直接处理点云的新型神经网络,考虑了输入点的有序性,为分类、分割等提供了统一的结构。3.从理论上解释了网络学习到了什么和为什么网络能够对输入数据的扰动和损坏保持高度鲁棒性进行了分析。引言典型的卷积结构要求高度规则的输入数据格式(图片网格、3D体素数据),为实现权重分享和其他核函数优化。大部分研究如下:点云数据 —>3D体素网原创 2020-05-26 20:18:57 · 725 阅读 · 0 评论 -
(转)pointnet/sem_seg/train.py 代码详解
/pointnet/sem_seg/train.py 是PointNet 中用来训练点云语义分割(Semantic Segmentation in Scenes)的文件。当需要训练自己的数据集的时候,可能需要对这个训练文件做一些修改,因此有必要看懂其中的代码。记录下来,也是捋清思路。parser = argparse.ArgumentParser()parser.add_argument('--gpu', type=int, default=0, help='GPU to use [default: G转载 2020-07-05 11:05:14 · 910 阅读 · 0 评论 -
PointNet(sem_seg)数据集
S3DIS数据集PointNet所用语义分割数据集为S3DIS(Stanford 3D semantic parsing data set),数据集由6个大型室内区域组成,总共包括544个房间,总共超过了2.15亿个点,包括办公区域、教育和展览空间,以及会议室、个人办公室、卫生间、开放空间、大堂、楼梯和走廊。每个点都加上了13个语义标签(桌子、椅子、沙发、书架和木板等)训练和测试数据集indoor3d_sem_seg_hdf5_data其中包含了24个h5格式的数据文件,总共包含6个区域的271原创 2020-07-05 10:31:38 · 3330 阅读 · 19 评论