PyTorch复现PointNet++——模型训练+模型测试

已于 2024-07-14 13:56:19 修改
阅读量1.7k 收藏 14
点赞数 23
分类专栏： 3D点云学习 文章标签： pytorch 人工智能 python
于 2024-07-12 20:42:58 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41264055/article/details/140329599
版权

本博文主要实现对PointNet++源码进行调试，模型训练+模型测试。

一、下载源码和数据集

论文：PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
GitHub源码：Pointnet2_pytorch
数据集包括三种：分类、零部件分割和场景分割
分类数据集：modelnet40_normal_resampled
零部件分割数据集：shapenetcore_partanno_segmentation_benchmark_v0_normal
场景分割数据集：s3dis/Stanford3dDataset_v1.2_Aligned_Version
（科学上网）

PointNet++源码结构如下：
在这里插入图片描述
看起来还是比较清晰的，大概可能知道项目中主要包括三个功能：分类classification、零部件分割partseg、场景分割semseg
在这里插入图片描述
老规矩，先看README.md

作者安装的是CUDA10.1，PyTorch 1.6和Python 3.7
可以通过anaconda进行安装conda install pytorch==1.6.0 cudatoolkit=10.1 -c pytorch
在这里插入图片描述
我是在Anaconda下创建一个新的虚拟环境空间部署项目测试
大概用到的就这些了，后面调试项目时候缺少安装啥就行了

torch                     2.0.0+cu117
torchvision               0.15.0+cu117
python                    3.8.19
numpy                     1.24.3
matplotlib                3.7.5
opencv-python             4.10.0.84

其实，认认真真看了PyTorch复现PointNet——模型训练+可视化测试显示这篇博文之后，再看README.md就简单的多了

二、分类任务Classification，数据集为ModelNet10/40

先看README.md
在这里插入图片描述
下载所用到的数据集放到data文件夹下，我这边场景分割数据集因为网不好总是失败~~这里就下载好了两个数据集，一个是分类用的，一个是零部件分割用的，场景分割数据集没下载成功…

将用到的分割数据集modelnet40_normal_resampled放到data文件夹下
在这里插入图片描述

2.1 训练模型——train_classification.py

1，由README.md可知运行分类任务的命令如下：

# ModelNet40
## Select different models in ./models 

## e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg
python test_classification.py --log_dir pointnet2_cls_ssg

## e.g., pointnet2_ssg with normal features
python train_classification.py --model pointnet2_cls_ssg --use_normals --log_dir pointnet2_cls_ssg_normal
python test_classification.py --use_normals --log_dir pointnet2_cls_ssg_normal

## e.g., pointnet2_ssg with uniform sampling
python train_classification.py --model pointnet2_cls_ssg --use_uniform_sample --log_dir pointnet2_cls_ssg_fps
python test_classification.py --use_uniform_sample --log_dir pointnet2_cls_ssg_fps

# ModelNet10
## Similar setting like ModelNet40, just using --num_category 10

## e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg --num_category 10
python test_classification.py --log_dir pointnet2_cls_ssg --num_category 10

有四组可以供选择，这里我就选用第一组，不用法向量特征的pointnet2_ssg训练模型作为测试

## e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg
python test_classification.py --log_dir pointnet2_cls_ssg

2，需要给定的参数有：--model pointnet2_cls_ssg 和 --log_dir pointnet2_cls_ssg

修改参数：

parser.add_argument('--epoch', default=1, type=int, help='number of epoch in training')
parser.add_argument('--model', default='pointnet2_cls_ssg', help='model name [default: pointnet_cls]')
parser.add_argument('--log_dir', type=str, default="pointnet2_cls_ssg", help='experiment root')
parser.add_argument('--batch_size', type=int, default=8, help='batch size in training')

使用的模型为：models\pointnet2_cls_ssg，models文件夹里面还有很多模型
训练好的模型信息存放路径为：log\classification\pointnet2_cls_ssg
在这里插入图片描述
在这里插入图片描述
训练模型所使用的数据集存放位置
在这里插入图片描述

3，右击运行

开始训练
在这里插入图片描述
训练完成

模型存放在：log\classification\pointnet2_cls_ssg\checkpoints
在这里插入图片描述

2.2 测试模型——test_classification.py

1，由README.md可知运行分类任务的命令如下：

## e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg
python test_classification.py --log_dir pointnet2_cls_ssg

2，需要给定的参数有：--log_dir pointnet2_cls_ssg

修改参数：

parser.add_argument('--log_dir', type=str, default="pointnet2_cls_ssg", help='Experiment root')

在这里插入图片描述
测试集位置和使用的测试模型
在这里插入图片描述

3， 右击运行

测试完成
在这里插入图片描述
模型测试信息
在这里插入图片描述

三、零部件分割任务Part Segmentation，数据集为ShapeNet

先看README.md
在这里插入图片描述

下载所用到的数据集shapenetcore_partanno_segmentation_benchmark_v0_normal放到data文件夹下
在这里插入图片描述

3.1 训练模型——train_partseg.py

1，由README.md可知运行零部件分割任务的命令如下：

## Check model in ./models 
## e.g., pointnet2_msg
python train_partseg.py --model pointnet2_part_seg_msg --normal --log_dir pointnet2_part_seg_msg
python test_partseg.py --normal --log_dir pointnet2_part_seg_msg

2，需要给定的参数有：--model pointnet2_part_seg_msg、--normal和--log_dir pointnet2_part_seg_msg

修改参数：

parser.add_argument('--model', type=str, default='pointnet2_part_seg_msg', help='model name')
parser.add_argument('--normal', action='store_true', default=False, help='use normals')
parser.add_argument('--log_dir', type=str, default="pointnet2_part_seg_msg", help='log path')

在这里插入图片描述
使用的模型为：models\pointnet2_part_seg_msg，models文件夹里面还有很多模型
在这里插入图片描述
训练好的模型信息存放路径为：./log/part_seg/pointnet2_part_seg_msg
在这里插入图片描述

3，右击运行，报错

AttributeError: module 'numpy' has no attribute 'float'.
`np.float` was a deprecated alias for the builtin `float`. To avoid this error in existing code, use `float` by itself. Doing this will not modify any behavior and is safe. If you specifically wanted the numpy scalar type, use `np.float64` here.
The aliases was originally deprecated in NumPy 1.20; for more details and guidance see the original release note at:

在这里插入图片描述
翻译：在这里插入图片描述

解决：np.array(total_correct_class) / np.array(total_seen_class, dtype=np.float64))
在这里插入图片描述
在这里插入图片描述

4，右击继续运行，报错

提示显卡内存不足
在这里插入图片描述
解决：将batch_size设置小点，例如设置为4，具体情况根据自己的电脑配置来

parser.add_argument('--batch_size', type=int, default=4, help='batch Size during training')

为了快速训练演示，把epoch设置为1
在这里插入图片描述

5，右击继续运行

开始模型训练
在这里插入图片描述
训练完成
在这里插入图片描述

训练好的模型保存在log\part_seg\pointnet2_part_seg_msg\checkpoints/best_model.pth
在这里插入图片描述
模型训练好了，接下来开始测试

3.2 测试模型——test_partseg.py

1，由README.md可知运行零部件分割任务的命令如下：

## Check model in ./models 
## e.g., pointnet2_msg
python train_partseg.py --model pointnet2_part_seg_msg --normal --log_dir pointnet2_part_seg_msg
python test_partseg.py --normal --log_dir pointnet2_part_seg_msg

2，需要给定的参数有：--normal、--normal和--log_dir pointnet2_part_seg_msg

修改参数：

parser.add_argument('--log_dir', type=str, default="pointnet2_part_seg_msg", help='experiment root')
parser.add_argument('--normal', action='store_true', default=False, help='use normals')
parser.add_argument('--batch_size', type=int, default=4, help='batch size in testing')

在这里插入图片描述

3，右击运行，报错

又是遇到的这个问题
在这里插入图片描述
解决：
改成np.float64即可

np.array(total_correct_class) / np.array(total_seen_class, dtype=np.float64))

4，右击继续运行

输出测试每个类型的mIoU得分
在这里插入图片描述
结果会存放到log\part_seg\pointnet2_part_seg_msg\eval.txt日志文件中
在这里插入图片描述

四、场景分割任务Semantic Segmentation，数据集为S3DIS

先看README.md
在这里插入图片描述
首先把下载好的数据集解压放到data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/
在data文件夹下创建一个s3dis文件夹，数据集解压到/data/s3dis下即可

哈哈哈哈哈，数据集我没下载成功

在这里插入图片描述
主要是场景分割任务对我而言也用不到
我就按着README.md大致说下流程

4.1 转换数据集

查看下data_utils/collect_indoor3d_data.py，可以得知数据集的存放路径，看来好像跟README.md给的不太一样，按照代码里面的来哈，可能是作者不小心整错路径了
在这里插入图片描述
数据集存放路径：data\stanford_indoor3d
在这里插入图片描述

4.2 训练模型——train_semseg.py

1，由README.md可知运行场景分割任务的命令如下：

## Check model in ./models 
## e.g., pointnet2_ssg
python train_semseg.py --model pointnet2_sem_seg --test_area 5 --log_dir pointnet2_sem_seg
python test_semseg.py --log_dir pointnet2_sem_seg --test_area 5 --visual

2，需要给定的参数有：--model pointnet2_sem_seg 、--test_area 5和--log_dir pointnet2_sem_seg

修改参数：
要我的话我会修改这些参数

parser.add_argument('--model', type=str, default='pointnet_sem_seg', help='model name [default: pointnet_sem_seg]')
parser.add_argument('--test_area', type=int, default=5, help='Which area to use for test, option: 1-6 [default: 5]')
parser.add_argument('--log_dir', type=str, default="data/stanford_indoor3d", help='Log path [default: None]')
parser.add_argument('--epoch', default=4, type=int, help='Epoch to run [default: 32]')

3，能不能正常运行我也不清楚，我没下载成功数据集~~，抱歉各位老爷们

4.3 测试模型——test_semseg.py

1，由README.md可知运行场景分割任务的命令如下：

## Check model in ./models 
## e.g., pointnet2_ssg
python train_semseg.py --model pointnet2_sem_seg --test_area 5 --log_dir pointnet2_sem_seg
python test_semseg.py --log_dir pointnet2_sem_seg --test_area 5 --visual

2，需要给定的参数有：--log_dir pointnet2_sem_seg 、--test_area 5和--visual

修改参数：

parser.add_argument('--batch_size', type=int, default=4, help='batch size in testing [default: 32]')
parser.add_argument('--log_dir', type=str, default="pointnet2_sem_seg", help='experiment root')
parser.add_argument('--test_area', type=int, default=5, help='area for testing, option: 1-6 [default: 5]')
parser.add_argument('--visual', action='store_true', default=False, help='visualize result [default: False]')

3，能不能正常运行我也不清楚，我没下载成功数据集~~，抱歉各位老爷们

五、总结

其实由先前的PyTorch复现PointNet——模型训练+可视化测试显示，家人们应该都知道如何调试了，大差不差，但是得需要多动手，光说不练假把式，天道酬勤！
加油！！！

beyond谚语
关注
  • 23
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
PointNet和PointNet++的Pytorch实现
08-31
（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) 发布预训练模型用于分类和部分分割log/。 2021/03/20：更新分类代码，包括： (1) 添加训练ModelNet10数据集的代码。使用--num_category...
PointNet++代码pytorch版本
03-29
@article{Pytorch_Pointnet_Pointnet2, Author = {Xu Yan}, Title = {Pointnet/Pointnet++ Pytorch}, Journal = {https://github.com/yanx27/Pointnet_Pointnet2_pytorch}, Year = {2019} }
PointNet & PointNet++ 论文解析+算法理解+复现建议（3D点云 分类+分割）
m0_47294706的博客
01-28 1万+
PointNet、PointNet++论文解读、逐层网络结构理解、代码复现建议
3D点云目标检测算法Pointnet++项目实战 Pytorch实现
qq_42446745的博客
09-24 1万+
本人研二在读，3D点云目标检测方向，自动驾驶场景，刚刚复现完成PointNet++分类和分割网络，效果还不错，分享给大家。 Pointnet++算法的原理在此不再赘述，本文专注讲一下重要代码，从输入数据到输出结果展现复现过程。注：复现的是MSG特征拼接方法，MRG的代码作者没有公布出来，代码里还有SSG的，也就是没有做半径特征拼接的原始方法，自己也可以跑一下。 附代码。代码里对重要的语句都进行了详细的注释喔~ 链接：https://pan.baidu.c...
PyTorch复现PointNet——模型训练+可视化测试显示
最新发布
beyond谚语的博客
07-09 1671
PointNet源码调试（模型训练+可视化测试显示）
Pytorch1.7复现PointNet++点云分割（含Open3D可视化）（文末有一个自己做的书缝识别项目代码）
热门推荐
astruggler的博客
12-18 1万+
毕设需要，复现一下PointNet++的对象分类、零件分割和场景分割，找点灵感和思路，做个踩坑记录。
PointNet++点云处理精讲(PyTorch)
08-11
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作，启发了很多后续研究。本课程对PyTorch版的PointNet++进行原理讲解、论文复现和代码详解。包括：  （1）提供三维点云物体分类数据集ModelNet40、物体部件分割数据集ShapeNet和场景分割数据集S3DIS的下载、可视化软件和方法；（2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试；（3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。需要学习TensorFlow版PointNet++的学员可前往本人推出了课程《PointNet++点云处理TensorFlow版》
PointNet系列代码复现详解(1)—PointNet分类部分
weixin_45699456的博客
03-14 6324
主要就是先记录一下训练轮次等基本信息，开启训练模式，更新学习率，然后开始一轮训练，优化器清零，然后数据增强，然后进行训练，一轮训练结束后会进行一次检测，最后检测结果与以前训练数据进行比较，保存最好的那个。方法计算分类正确的样本数，再除以该类别中的总样本数，即可得到分类器在该类别上的准确率。下面代码就是把训练的模型复制到对应的目录下，以便以后查看和对比，然后就获取对应的分类模型以及损失函数，激活函数。比如是否使用GPU，训练批次大小，模型，训练总轮数，以及优化器，训练日志保存路径等等。
Windows系统保姆级复现Pointnet++算法教程笔记（基于Pytorch）
m0_70694811的博客
01-08 4451
今天复现了PointNet++网络，中途也遇到过好多报错问题，但都一一解决了，最终实现cls、partseg、semseg训练(train)和测试(test)程序的成功跑通。3D点云目标检测算法Pointnet++项目实战 Pytorch实现附代码：链接：https://pan.baidu.com/s/10Nk4Zd3S_NklY5PJwzmnWA提取码：6688。
Pointnet++环境配置+复现
weixin_58663121的博客
10-30 5859
深度学习点云经典网络Pointnet++
PointNet++复现、论文和代码研读
苏钟白的博客
10-30 983
单个SA层由采样层、分组层以及PointNet层三个模块组成。采样层用于从输入集合中选出每个局部区域的中心点，分组层用于构建局部区域点集，通过这两层完成局部区域的划分。PointNet层使用小型PointNet网络用于提取局部区域的特征，这一层用于聚合局部区域的特征。
pointnet.pytorch, "pointnet"的pytorch实现.zip
09-17
pointnet.pytorch, "pointnet"的pytorch实现 PointNet.pytorch这里 repo 是pytorch中 PointNet ( https://arxiv.org/abs/1612.00593 )的实现。 模型在 pointnet.py 中。下载数据并运行bash
PointNet-Pytorch
02-12
PointNet-Pytorch 此仓库是PyTorch中PointNet的实现。 分类 数据集： ModelNet10 [链接] 下载脚本： sh modelnet_data_download.sh 训练脚本： python train_cls.py 链接： PointNet： ：//arxiv.org/pdf/1612.00593.pdf（arxiv） 3D ShapeNets：
pointnet++模型(带控制流)的pytorch转化onnx流程记录
02-28
PointNet++ 模型的 PyTorch 转 ONNX 流程记录 本文记录了 PointNet++ 模型从 PyTorch 转化为 ONNX 的流程，并将其转化为 MindSpore Lite formato 了解到在这个过程中遇到的挑战和解决方法。 知识点 1：带有控制流...
Pointnet2_PyTorch:Pointnet2Pointnet++的PyTorch实现
08-03
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，也不会响应问题。 用 PyTorch 编写的 Pointnet2/Pointnet++ 的。 通过支持多 GPU。 支持 PyTorch 版本 >= 1.0.0。 使用来...
pointnet++代码（亲测可用）
12-06
记录PointNet PyTorch版本的学习PyTorch版本PointNet作者Tensorflow版本页面上给出的github地址，这里数据集PyTorch版本只给出了ModelNet的数据，只能进行部件分割，但是我想测试S3DIS数据集，所以下载了原作者给的...
PointNet 和 PointNet++ pytorch版本 复现 modelnet40
点云算法工程师
04-26 1407
pointnet pytorch复现
点云深度学习系列博客(四): PointNet代码精讲
09-14 4070
最近开始上手点云深度学习项目，相比之前纸上谈兵的阶段，此时我将把更多的精力放在代码学习和复现上。在新的学习阶段，就不能是看看论文，蜻蜓点水的配下别人的代码这么简单了。我将逐句分析代码功能，结合实际应用，来深入理解点云深度学习的项目该如何落地。作为点云深度学习的代表作，PointNet的经典程度不言而喻。我们就以PointNet的模板，来展开相关代码的实现，并完全复现PointNet的基本功能。对于那些零基础，计划入坑点云深度学习的同学，不妨看看。
PointNet++点云分类t-SNE可视化以及混淆矩阵（1）（pytorch实现）
m0_65067774的博客
05-31 1317
pointnet++分类
pointnet++复现pytorch
06-28
### 回答1： 好的，以下是使用PyTorch复现PointNet++的步骤： 1. 安装PyTorch和其他必要的库，如numpy、scipy、h5py等。 2. 下载PointNet++的代码和数据集。可以从官方GitHub仓库下载代码，数据集可以从官方网站下载。 3. 将数据集转换为PyTorch可以处理的格式。可以使用h5py库读取数据集，然后将数据转换为PyTorch张量。 4. 编写模型代码。PointNet++的模型代码可以在PointNet++的GitHub仓库中找到。将代码转换为PyTorch版本并进行必要的修改。 5. 训练模型。使用PyTorch的优化器和损失函数训练模型。可以使用PyTorch的DataLoader加载数据集，并使用PyTorch的GPU加速训练过程。 6. 测试模型。使用测试集测试模型的性能。可以使用PyTorch的评估函数计算模型的准确率和其他指标。 7. 调整模型。根据测试结果调整模型的参数和架构，以提高模型的性能。 以上是使用PyTorch复现PointNet++的基本步骤。需要注意的是，这只是一个大致的指导，具体的实现过程可能会因为数据集和模型的不同而有所不同。 ### 回答2： PointNet 是一种用于点云数据的深度学习模型，其对点云进行全局池化（global pooling）以及局部特征学习（local feature learning）的方法使得其在各种场景中取得了非常好的结果。本文将介绍如何使用 PyTorch 复现 PointNet 模型。 首先，我们需要准备数据。PointNet 接收的输入是点云，我们可以通过采样或者转换方法将 mesh 数据转换为点云数据。在转换为点云后，我们可以将点云转换为 numpy array，并使用 PyTorch 的 DataLoader 进行数据预处理。在这里我们使用 ModelNet40 数据集进行实验。 接下来，我们需要定义 PointNet 模型的结构。PointNet 包括两个编码器和一个分类器。编码器用于从点云中提取特征信息，分类器用于将提取的特征映射到具体的分类标签。这里我们定义一个函数 PointNetCls，将编码器和分类器都封装在这个函数中。 ```python import torch.nn as nn import torch.nn.functional as F import torch.optim as optim class PointNetCls(nn.Module): def __init__(self, k=40): super(PointNetCls, self).__init__() self.k = k self.conv1 = nn.Conv1d(3, 64, 1) self.conv2 = nn.Conv1d(64, 128, 1) self.conv3 = nn.Conv1d(128, 1024, 1) self.fc1 = nn.Linear(1024, 512) self.fc2 = nn.Linear(512, 256) self.fc3 = nn.Linear(256, k) def forward(self, x): batchsize = x.size()[0] x = F.relu(self.conv1(x)) x = F.relu(self.conv2(x)) x = F.relu(self.conv3(x)) x = torch.max(x, 2, keepdim=True)[0] x = x.view(-1, 1024) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return F.log_softmax(x, dim=1) ``` 具体来讲，我们先使用三个卷积层提取特征信息，然后使用 max pooling 进行池化，最后通过三个全连接层将提取的特征映射到具体的分类标签。特别的，我们将最后一层的输出使用 softmax 函数来进行分类。 训练过程如下： ```python device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = PointNetCls().to(device) optimizer = optim.Adam(model.parameters(), lr=0.001) for epoch in range(300): model.train() for batch_id, (data, label) in enumerate(train_loader): optimizer.zero_grad() data, label = data.to(device), label.to(device) pred = model(data) loss = F.nll_loss(pred, label) loss.backward() optimizer.step() print(f'Epoch {epoch}: Training Loss: {loss.item()}') model.eval() correct = 0 for data, label in test_loader: data, label = data.to(device), label.to(device) pred = model(data) pred = pred.data.max(1)[1] correct += pred.eq(label.data).cpu().sum() accuracy = correct.item() / float(len(test_loader.dataset)) print(f'Epoch {epoch}: Testing Accuracy: {accuracy}') ``` 可以看到，在训练阶段我们使用 Adam 优化器来优化模型，并使用负对数似然对数函数作为损失函数。在测试阶段我们将模型设置为评价模式，并使用预测结果和真实标签的比对结果计算准确率。 通过以上步骤，我们已经完成了一个 PointNet 的 PyTorch 实现。当然，为了提高准确率我们还可以对模型结构进行优化，如引入 dropout、batch normalization 等结构，或者将模型拓展到 PointNet++ 等更加优秀的架构。 ### 回答3： PointNet是一种针对点云数据进行分类和分割的深度学习模型，其在处理三维几何数据方面具有很好的效果，也被广泛应用于许多领域。为了复现PointNet模型，我们可以使用Pytorch框架进行实现。下面是针对PointNet复现的详细步骤： 一、准备数据 首先需要准备点云数据集，我们可以使用ShapeNet数据集中的某些部分进行测试。我们需要将点云数据转化为numpy数组形式，并将其划分为训练集和验证集。 二、数据预处理 在进行训练工作之前，我们需要将点云数据进行预处理，包括点云的标准化和噪声过滤等操作。处理后的数据可以使用dataloader以batch的形式进行加载。 三、搭建模型 我们可以按照PointNet的论文中的模型结构进行搭建。线性变换、最大池化和ReLU激活层的堆叠是构成模型的主要部分。我们需要使用Pytorch中定义模型的方法实现PointNet模型。 四、训练模型 我们可以使用Pytorch自带的优化器，如Adam优化器来训练PointNet模型。在每个epoch结束后，我们可以计算模型在验证集上的精度和准确度，以评估模型性能。 五、测试模型 完成模型训练后，我们可以使用Pytorch中的模型预测方法对新的未见数据进行分类和分割预测。 这些就是复现PointNet模型的详细步骤。此外，还需要注意一些细节问题，例如使用GPU加速训练、采用KNN算法处理最近邻等。借助Pytorch框架，我们可以轻松地实现PointNet模型，从而应用到更多的实际场景中。
评论 2
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

打赏作者

beyond谚语

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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