KdNet---实验代码记录

1.数据准备

数据采用

shapenetcore_partanno_segmentation_benchmark_v0

数据下载地址：

https://shapenet.cs.stanford.edu/ericyi/shapenetcore_partanno_segmentation_benchmark_v0.zip

代码下载地址：GitHub - fxia22/kdnet.pytorch: implementation "Escape from Cells: Deep Kd-Networks for The Recognition of 3D Point Cloud Models" in pytorch

2.代码主题解读

cutdim, tree = make_cKDTree(point_set.numpy(), depth=levels)

将点云建立KDtree，返回Kd树结构，

cutdim可以理解为在kdtree建立过程中每个节点切割空间的维度。
tree是三阶张量。可以理解为分为12层的一个树状结构。

cutdim_v = [(torch.from_numpy(np.array(item).astype(np.int64))) for item in cutdim]
points = torch.FloatTensor(tree[-1])
points_v = Variable(torch.unsqueeze(torch.squeeze(points), 0)).transpose(2, 1).cuda()

数据转为tensor，并对points进行转置，准备送入网络

3.网络主要内容解读
x = F.relu(conv(x))####self.conv1 = nn.Conv1d(3, 8 * 3, 1, 1)

数据变化：1*3*2048--->1*24*2048

x = x.view(-1, featdim, 3, dim)# 数据变化：1*24*2048--->1*8*3*2048

目的是将 数据转为 xyz*2048的格式，

x = x.view(-1, featdim, 3 * dim)##1*8*3*2048--->1*8*(6144=2048*3)

将2048个点 变为 ：xyz,xyz,xyz.....xyz的格式

sel = Variable(sel + (torch.arange(0, dim) * 3).long())

x = torch.index_select(x, dim=2, index=sel)#根据KD-Tree每个节点切割空间的维度 选出对应XYZ中的数据，此时数据格式为：1*8*2048

根据KDtree在xyz中的哪个维度进行的分割？ 将对应的数据提取出来

x = x.view(-1, featdim, int(dim / 2), 2) # 将数据调整为，KD-Tree的最底部的2个叶节点

数据变为1*8*1024*2  为什么要这样分割？ 每个树最末端都有2个叶子。

x = torch.squeeze(torch.max(x, dim=-1, keepdim=True)[0], 3)

选取最大的那个叶子  最后将数据变为1*8*1024