frustum pointnet代码使用

按照frustum pointnet的github,步骤依次实现

Q1:编译最开始的3个文件说没有tensorflow里没有op.h

解:因为我是用的在conda环境下的tensorflow,所以要把每一个对应tf路径改成自己的路径
原版的tf_interpolate_compile.sh(很遗憾,他没有换行)

# TF1.4
g++ -std=c++11 tf_interpolate.cpp -o tf_interpolate_so.so -shared -fPIC -I /usr/local/lib/python2.7/dist-packages/tensorflow/include -I /usr/local/cuda-8.0/include -I /usr/local/lib/python2.7/dist-packages/tensorflow/include/external/nsync/public -lcudart -L /usr/local/cuda-8.0/lib64/ -L/usr/local/lib/python2.7/dist-packages/tensorflow -ltensorflow_framework -O2 -D_GLIBCXX_USE_CXX11_ABI=0

对应的我的tensorflow的版本

# TF1.4
g++ -std=c++11 tf_interpolate.cpp -o tf_interpolate_so.so -shared -fPIC -I /home/kb457/.conda/envs/py2.7_pointnet/lib/python2.7/site-packages/tensorflow/include -I /usr/local/cuda-8.0/include -I /home/kb457/.conda/envs/py2.7_pointnet/lib/python2.7/site-packages/tensorflow/include/external/nsync/public -lcudart -L /usr/local/cuda-8.0/lib64/ -L /home/kb457/.conda/envs/py2.7_pointnet/lib/python2.7/site-packages/tensorflow -ltensorflow_framework -O2 -D_GLIBCXX_USE_CXX11_ABI=0

自己的路径可以用python下输出得到

import tensorflow as tf
tf.__path__

总共3个模型要编译,其他2个也是这样改

Q2:因为我用的是py2.7,所以有些语法会报错,要调整成对应的版本,这里说找不到CV_AA这个变量名

解:找到报错的地方,把CV_AA换成LINE_AA就好了

Q3:sh 安装mayavi,

这个可能是我电脑的问题,或者其他我现在还不理解的问题,我之前编译opencv也是没法import
try 1:pip安装
pip install mayavi
失败:import 说找不到
原因:说要用什么pyqt或者wx
try 2:尝试编译安装pyqt
失败:并没有用
解:使用conda安装,有说mayavi本来就是conda里的一个包
conda install mayavi
然后就可以很愉快的跑通测试,运行这个程序可能需要稍等一下
python mayavi/test_drawline.py

Q4:跑 sh的那个test,最后说什么没有.eps文件,GPL Ghostscript 9.18:Unrecoverable error, exit code 1

这里写图片描述
解:sudo apt-get install gnuplot
sudo apt-get install texlive-extra-utils
最后的结果:
这里写图片描述
这是一个csdn上的好心人告诉我的,下面附上这位同学的论文笔记:
https://blog.csdn.net/cuichuanchen3307/article/details/80156433

  • 0
    点赞
  • 23
    收藏
    觉得还不错? 一键收藏
  • 11
    评论
### 回答1: Frustum PointNet是一种基于点云的3D物体检测算法,它可以在给定的3D场景中检测出相对于相机的视锥体(frustum)内的物体。它是由Charles R. Qi等人于2018年提出的,是PointNet的改进版本。 Frustum PointNet的输入是点云,它首先对点云进行预处理,将点云中的点转换到相机坐标系下,并将点云裁剪成视锥体内的点。然后,它使用PointNet对裁剪后的点云进行处理,得到每个点的特征向量。这些特征向量被组合成一个点云特征图(point cloud feature map)。 接下来,Frustum PointNet使用一个3D卷积神经网络(Conv3D)对点云特征图进行处理,以便从中提取3D物体的特征。该3D卷积神经网络由多个3D卷积层和池化层组成,最终输出一个包含物体检测结果的向量。 Frustum PointNet使用了一种称为ROI pooling的技术,以提高检测准确率。ROI pooling可以将特征图中与视锥体内的物体相对应的区域提取出来,并将这些区域汇总成固定长度的向量。这个向量被送入一个全连接网络(fully connected network)进行分类,最终得到物体的类别和位置。 总的来说,Frustum PointNet是一种有效的3D物体检测算法,它通过点云和3D卷积神经网络对物体进行特征提取,并能够在相机视锥体内准确地检测出物体。 ### 回答2: Frustum PointNet是一种基于PointNet网络的目标检测方法,主要用于三维点云数据中的物体检测和定位。它的核心思想是将点云数据转换为局部坐标系中的规范化点云,并通过PointNet来提取特征并预测目标的属性。 首先,Frustum PointNet使用视锥体(frustum)来将三维点云数据进行裁剪,只保留与摄像机视角有重叠的部分点云。这样可以将点云数据减少到相对较小的规模,提高计算效率。 其次,Frustum PointNet对裁剪后的点云进行预处理,将点云转换到局部坐标系中。通过坐标变换和旋转操作,将点云对齐到统一的参考坐标系中,使点云的位置信息与摄像机视角一致。 接下来,裁剪和对齐后的点云数据通过PointNet网络进行处理。PointNet网络是一种深度学习网络架构,用于对点云数据提取特征。通过使用多层感知机和最大池化操作,PointNet网络可以学习点云数据的全局特征和局部特征。 最后,Frustum PointNet利用PointNet网络提取的点云特征来预测目标物体的属性,例如类别、位置和姿态。这些属性可以用于实现目标检测和定位。此外,Frustum PointNet还采用了一些技巧来提高检测的精度和效率,例如使用投影损失和多尺度训练等。 总结来说,Frustum PointNet是一种基于PointNet网络的三维目标检测方法,通过裁剪和对齐点云数据,使用PointNet网络提取特征,并通过预测目标属性来实现物体检测和定位。它具有高效的计算和良好的检测精度,在三维物体识别和场景理解领域具有广泛的应用前景。 ### 回答3: Frustum PointNet是一种用于物体检测的神经网络架构。它旨在从点云数据中准确地检测和定位物体,尤其是在自动驾驶和机器人技术中有着重要的应用。 Frustum PointNet的核心思想是将三维空间中的物体表示为从相机视角获取的视锥体(frustum)。首先,利用2D物体检测方法,从图像中确定目标物体的边界框。接下来,通过投影将边界框对应到点云中,从而得到相应的三维视锥体。然后,Frustum PointNet将这些视锥体内的点云输入网络进行处理。 在Frustum PointNet中,首先通过一个全连接神经网络对输入的点云进行特征提取。然后,使用PointNet提取每个点的特征表示。PointNet是一种先进的点云处理网络,能够学习到点云的全局特征和局部特征。之后,对每个视锥体内的点云特征进行池化操作,得到整个视锥体的特征表示。最后,通过一个全连接神经网络进行分类和回归,实现目标物体的检测和定位。 Frustum PointNet的优点是可以直接从点云数据中进行物体检测,避免了传统图像方法中的二维到三维转换问题。此外,它能够从点云中学习到点的全局和局部特征,更好地适应不同形状和尺寸的物体。通过使用视锥体,Frustum PointNet能够根据不同相机视角下的点云数据进行物体检测,具有更好的泛化能力。 总结来说,Frustum PointNet是一种利用视锥体和PointNet网络的神经网络架构,用于点云数据中的物体检测和定位。它能够从点云中学习到全局和局部特征,并根据不同相机视角的数据进行准确的物体检测和定位。在自动驾驶和机器人技术等领域具有重要的应用价值。

“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 11
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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