从零开始点云语义分割:RandLANet教程

最新推荐文章于 2024-08-20 10:09:11 发布
最新推荐文章于 2024-08-20 10:09:11 发布
阅读量7.4k 收藏 90
点赞数 8
分类专栏： 点云 深度学习 文章标签： 深度学习 RandLANet 点云 语义分割
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/u014311125/article/details/119825324
版权
本文从零开始介绍如何进行点云语义分割，涉及深度学习基础知识、点云操作，以及使用RandLANet在Semantic3D和S3DIS数据集上的测试。通过阅读论文和源码解读，理解并训练模型，最后在Python和C++环境中部署推理。
摘要由CSDN通过智能技术生成

从零开始点云语义分割:RandLANet教程


这是一个关于如何从零开始学习点云语义分割的教程，之所以说从零是因为我自己就是从零开始接触点云的语义分割任务的，希望这个系列的博客能对想要做点云语义分割的同学有一点点的帮助。

一、准备工作

1.1、深度学习知识

MLP、卷积即可

1.2、点云操作

点云数据的基本结构是坐标+属性特征，有多种存储格式，我们需要知道如何解析不同存储格式的点云数据，也就是如何读写点云数据。
参考不同格式点云存储结构(txt、pcd、las、ply)整理以及基本的读写、可视化方法。
点云的基础变换参考3D点云变换(平移、旋转、缩放)以及python实现
3D点云变换(平移、旋转、缩放)C++实现

二、公开数据集测试

了解公开的数据集如Semantic3D、S3DIS、KITTI等，我自己使用RandLANet测试了Semantic3D、S3DIS，由于KITTI的数据集过大，我没有做这块的测试，以后有机会会补上。

3.1、Semantic3D

Ubuntu环境下参考文章在tensorflow2.0环境下使用RandLA-Net训练Semantic3D数据集。
Windwos环境Win10系统下训练RandLA-Net点云语义分割模型。

3.2、S3DIS

Ubuntu环境下参考文章在tensorflow2.0环境下使用RandLA-Net训练S3DIS数据集。

项目地址:RandLA-Net

三、论文阅读

在训练公开数据集的时候我们可以开始阅读paper。
paper地址:RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds。
我自己的理解点云语义分割：RandLA-Net解读。

四、源码解读

阅读源码是为了在自己的数据集上更好的调参。
tf1.x版RandLA-Net源码解读(1):数据预处理

tf1.x版RandLA-Net源码解读(2):Dataset

tf1.x版RandLA-Net源码解读(3):网络结构

tf1.x版RandLA-Net源码解读(4):模型训练

tf1.x版RandLA-Net源码解读(5):测试

五、训练自己的数据集

点云语义分割:使用RandLA-Net训练自己的数据集

六、python生产环境部署

点云语义分割：RandLANet模型推理部署

七、C++生产环境部署

点云语义分割：RandLANet模型推理C++部署（1）
点云语义分割：RandLANet模型推理C++部署（2）

Randlanet 训练自己的数据集
点云算法工程师
04-22 1570
Randlanet 训练自己的数据集
【CVPR2020】RandLA-Net：大规模点云的高效语义分割
weixin_44378835的博客
07-17 4341
深度神经网络对点云进行处理不可避免地需要在保证不丢失有用的点特征的前提下对这些点进行下采样。而大规模的点云跨度可达数百米，包含数百万个点，采样的时间和空间复杂度都较高。 这篇论文 * 分析并比较了现有的点云采样方法，得出随机采样(Random Sampling)是最适合大规模点集这一结论。 * 设计了一个局部特征聚合器(Local Feature Aggregation)，它通过逐步增加每个点的感受野来避免随机采样导致的特征丢失。 ...............
语义分割之RandLANet深度解读
victor_manches的博客
04-01 2996
语义分割任务是计算机视觉里的一个比较基础的任务，其相比于物体检测任务主要有以下几个优点：输出的结果是稠密的，是针对于所有像素点的K分类问题，物体检测任务只输出前景类物体的信息忽略了背景点的信息在自动驾驶任务中可以实现可行驶区域的识别，大部分区域都是以背景的形式存在，而这些背景同样是非行驶区域可以输出非常精细的结果，物体检测由于输出都是刚性的矛框，对于一些精细的任务无法达到要求语义分割 : 对图片的每个像素点进行分类eg: 人 、车辆 、道路 、建筑物等。
RandLA-Net 调通代码1：Windows 11 + Tensorflow 2.4 + S3DIS数据集【踩坑+填坑】
累了就要打游戏
01-29 1436
TF不上进啊，学学pytorch
RandLA-Net——大规模点云的高效语义分割
m0_57122465的博客
08-04 550
RandLA-Net是基于point-wise MLP的方法。特点：之前的方法只要运用于小规模的点云语义分割，此方法可以运用在大规模点云的语义分割上面。创新点主要是：1、采取了随机点取样，而不是更复杂的点选择方法（比如pointnet++使用的是最远距离取样fps），可以使计算复杂度和内存效率变得显著。2.引入了一种新的局部特征聚合模块，逐步增加每个三维点的接受域，从而有效地保留几何细节。最后实验证明：RandLA-Net可以一次处理100万个点，比现有的方法快200倍。
RandLA-Net - 大规模点云的高效语义分割的Tensorflow实现（CVPR 2020）-python
06-18
RandLA-Net - 大规模点云的高效语义分割的Tensorflow实现（CVPR 2020） RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds (CVPR 2020) 这是 RandLA-Net (CVPR2020, Oralpresentation) 的官方实现，这是一种用于大规模 3D 点云语义分割的简单高效的神经架构。 技术细节请参考：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 胡庆勇、杨博*、谢林海、Stefano Rosa、郭玉兰、王志华、Niki Trigoni、Andrew Markham。 [Paper] [Video] [Blog] (1) Setup 此代码已在 Ubuntu 16.04 上使用 Python 3.5、Tensorflow 1.11、CUDA 9.0 和 cuDNN 7.4.1 进行测试。 克隆仓库 git clone --depth=1 http
深度学习-ubuntu18.04+RTX3080下安装RandLA-NET踩坑全纪录
weixin_40826634的博客
10-24 2234
根据网上教程，用conda创建Tensorflow虚拟环境，然后在里面安装了Tensorflow，结果发现在后来创建的randlanet虚拟环境中无法使用，才明白不同虚拟环境之间环境不能互相使用，但是cuda和cudnn是在本地安装的，后来成功的测试表明，虚拟环境可以使用本地的环境。所以Tensorflow安装在本地或者randlanet虚拟环境都可以，弄明白虚拟环境后，本人将Tensorflow安装在了randlanet虚拟环境虚拟环境，当然需要第６步执行完才能安装，安装命令如下。最后测试是否安装成功。
RandLA-Net论文理解：大规模室外点云语义分割
weixin_43291835的博客
07-20 895
RandLA-Net论文理解 论文下载 代码下载 概述 论文针对大规模室外点云语义分割提出两个想法： 1.分析了一些降采样方法，认为随机采样从效率和可行性上更适合大规模点云的采样 2.为了对抗随机采样带来的关键信息丢失问题，提出局部特征采样器 随机采样 最重要的是由于随机采样的计算复杂度为O(1)，所以与输入点的总数无关。总的来说，FPS、IDIS和GS在计算上太昂贵，无法应用于大规模点云。CRS方法的内存占用过大，PGS 很难学习。相比之下，随机采样有两个优点： 1)它具有显著的计算效率，因为它与输入点的
CVPR 2020 RandLA-Net
Polaris
03-23 988
作者在知乎的介绍，包含论文及源码链接：[CVPR 2020 Oral] RandLA-Net:大场景三维点云语义分割新框架（已开源） 作者在深蓝学院的公开课（包括RandLA-Net和 3D-BoNet）：基于三维点云场景的语义分割和实例分割 RandLA-Net最大的亮点在于处理的速度快，准确率也还不错。速度上的提升很大程度是由于point inference部分使用了随机降采样，随机地对点...
【论文阅读】【三维语义分割】RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds
麒麒哈尔的博客
04-18 2288
文章目录RandLA-NetMotivationSamplingLocal Feature AggregationLocSEAttentive PoolingDilated Residual BlockExperiments我的思考 2020CVPR 牛津大学 本文提出了针对大场景语义分割的一种方法，主要提出了使用random sampling来进行降采样从而降低运算时间，通过提出的Local F...
RandLA-Net:andTandorflow中的RandLA-Net（CVPR 2020，口服）
05-03
RandLA-Net：大规模点云的有效语义分割（CVPR 2020） 这是RandLA-Net （CVPR2020，口头演示）的官方实施， RandLA-Net是一种简单高效的神经体系结构，用于大规模3D点云的语义分割。 有关技术细节，请参阅： RandLA-Net：大规模点云的有效语义分割， ，，，，， ，。 [] [] [] [] （1）设置 该代码已在Ubuntu 16.04上使用Python 3.5，Tensorflow 1.11，CUDA 9.0和cuDNN 7.4.1进行了测试。 克隆存储库 git clone --depth=1 https://github.com/QingyongHu/RandLA-Net && cd RandLA-Net 设置python环境 conda create -n randlanet python=3.5 source activate
RandLA-Net-tensorflow2：RandLA-Net的Tensorflow2实现
02-16
RandLA-Net-tensorflow2 RandLA-Net的TensorFlow 2实现
RandLA-Net-Enhanced:RandLA-Net改进版
05-03
RandLA-Net-Enhanced 原代码论文主要贡献：提出更快的点云语义分割模型。 对比现有的采样方法，发现随机采样最好。 为了减小随机采样丢失的信息，提出局部特征采样器，包括 Local Spatial Encoding (LocSE) 和 Attentive Pooling。 下为此代码对应文献信息。 @article{hu2019randla, title={RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds}, author={Hu, Qingyong and Yang, Bo and Xie, Linhai and Rosa, Stefano and Guo, Yulan and Wang, Zhihua and Trigoni, Niki and Markham, Andr
点云语义分割：RandLANet模型推理C++部署（1）
zhaoguanhua的博客
09-17 2968
一、dataset接口转placeholder接口 二、ckpt模型转pb模型 三、C++部署
点云语义分割：使用RandLANet训练SensatUrban数据集
CwzCode的博客
09-23 340
在计算机视觉领域，点云语义分割是一个重要的任务，它旨在将三维点云数据中的每个点分配到其对应的语义类别中，例如建筑物、道路、树木等。本文将介绍如何使用RandLANet算法对SensatUrban数据集进行点云语义分割，并提供相应的源代码。它通过局部感知模块提取每个点的局部特征表示，并通过全局特征聚合模块将局部特征融合为全局特征。点云语义分割的目标是为每个点赋予正确的语义标签，以实现对三维场景的语义理解和分析。它包含了大量城市场景的点云数据，并提供了丰富的语义类别标签，如建筑物、道路、树木等。
点云语义分割：RandLANet模型推理C++部署(2)
zhaoguanhua的博客
12-03 3464
一、数据读取及预处理 二、模型推理 三、结果保存
从头开始学习点云语义分割：RandLANet实战教程
UtiExamples的博客
09-25 302
RandLANet是一种基于局部感知域的点云语义分割算法，它利用点云的局部结构信息来进行语义分割。RandLANet的核心思想是将点云数据划分为一系列局部感知域，并对每个感知域内的点云进行处理和聚合，最终得到点云的全局表示。本教程介绍了从零开始学习点云语义分割的过程，并以RandLANet算法为例进行实践。通过掌握相关知识和实践，你可以更好地理解和应用点云语义分割技术，为三维场景理解和计算机视觉任务做出贡献。
RandLA-Net-pytorch 使用指南
最新发布
gitblog_00347的博客
08-20 458
RandLA-Net-pytorch 使用指南 RandLA-Net-pytorchRandLA-Net's implementation with Pytorch项目地址:https://gitcode.com/gh_mirrors/ran/RandLA-Net-pytorch 1. 项目目录结构及介绍 RandLA-Net-pytorch 是一个基于 PyTorch 实现的 RandLA-N...
【代码阅读】RandLA-Net
热门推荐
麒麒哈尔的博客
05-19 1万+
文章目录数据预处理dataset RandLa-Net是新提出来的针对大场景语义分割的方法，效果拔群。我对该文章的解读可以看我另外一篇博客，论文作者给出的代码是TensorFlow版本的。 接下来，我们就看一下这个代码都做了什么操作。以SemanticKitti为例。 数据预处理 # utils/data_prepare-semantickitti.py # line 42-50 points = DP.load_pc_kitti(join(pc_path, scan_id)) labels = DP.l
3D点云语义分割：子流形稀疏卷积网络
通过对比实验，SSCNs在一项最近的3D语义分割竞赛测试集上超越了所有先前的最优方法，证明了其在理解和解析3D点云数据方面的优势。 此外，论文还可能涉及以下知识点： 1. **稀疏神经网络**：这种网络设计优化了处理...
评论 9
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

GHZhao_GIS_RS

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