PointNet复现

最新推荐文章于 2024-07-29 16:32:20 发布

KylinQAQ

最新推荐文章于 2024-07-29 16:32:20 发布

阅读量6.2k

点赞数 6

分类专栏：三维物体识别深度学习 tensorflow 文章标签： pointnet 三维深度学习 tensorflow

本文链接：https://blog.csdn.net/pikachu_777/article/details/83541115

版权

本文详细介绍了PointNet的复现过程，包括分类任务的训练与测试，以及部分segmentation任务。代码运行中，由于显存限制，batch size较小，导致结果与论文略有差距。在train.py中解析参数，设计学习率和BN衰减策略，并实现训练与评估流程。模型部分使用TensorFlow实现，重点关注网络结构和损失函数设计。数据预处理和处理工具包含数据加载、点云转换和可视化等功能。

摘要由CSDN通过智能技术生成

一、代码运行

1.分类任务

1.1训练

python train.py --batch_size=8

显卡显存太小，只能跑batch size为8的，训练250个epoch。

1.2测试

python  evaluate.py --visu

结果：

eval mean loss: 0.488872
eval accuracy: 0.878444
eval avg class acc: 0.851238
  airplane:     0.980
   bathtub:     0.860
       bed:     0.950
     bench:     0.700
 bookshelf:     0.900
    bottle:     0.950
      bowl:     0.950
       car:     1.000
     chair:     0.970
      cone:     0.900
       cup:     0.650
   curtain:     0.800
      desk:     0.791
      door:     0.850
   dresser:     0.651
flower_pot:     0.200
 glass_box:     0.950
    guitar:     1.000
  keyboard:     1.000
      lamp:     0.950
    laptop:     1.000
    mantel:     0.950
   monitor:     0.940
night_stand:    0.698
    person:     0.950
     piano:     0.860
     plant:     0.780
     radio:     0.800
range_hood:     0.910
      sink:     0.750
      sofa:     0.960
    stairs:     0.850
     stool:     0.800
     table:     0.810
      tent:     0.950
    toilet:     0.960
  tv_stand:     0.820
      vase:     0.810
  wardrobe:     0.650
      xbox:     0.800

论文中的结果是：86.2/89.2，相比论文中差了一些，可能是batch size的问题。

2. part segmentation

代码在part_seg下，进去sh download_data.sh下载数据集，然后运行trian.py训练，test.py测试。分割任务的显存占用更高，我只能跑batchsize=4的…。最终模型的结果比论文里也低了接近两个点(0.8197/0.837)。

Accuracy: 0.923867
IoU: 0.819725
         02691156 Total Number: 341
         02691156 Accuracy: 0.9096132876935942
         02691156 IoU: 0.8228572722404234
         02773838 Total Number: 14
         02773838 Ac