在tensorflow2.0环境下使用KPConv训练Semantic3D数据集

最新推荐文章于 2024-02-21 22:30:07 发布
最新推荐文章于 2024-02-21 22:30:07 发布
阅读量1.1k 收藏 10
点赞数
分类专栏： 点云 文章标签： tensorflow 深度学习 KPConv
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/119953595
版权

环境

系统:Ubuntu18.04.4
tensorflow：2.2.0
python:3.7.6
cuda:10.2.89
cudnn:7.6.5

一、编译

1.1编译tf_custom_ops

作者的环境是tensorflow1.x，直接使用作者提供的compile_op.sh脚本编译会提示找不到ltensorflow_framework

请添加图片描述

问题出在编译命令行中的 -ltensorflow_framework参数，同时作者还指出如果使用的是Ubuntu18.04的系统需要把参数-D_GLIBCXX_USE_CXX11_ABI=0去掉，但是我没有去也可以正常执行。

下面说说怎么修改，首先查看自己的环境下的链接和编译参数

import tensorflow as tf
print(tf.sysconfig.get_link_flags(
了解本专栏 订阅专栏 解锁全文 超级会员免费看
GHZhao_GIS_RS
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
专栏目录
订阅专栏
点云语义分割:KPConv训练S3DIS数据集
zhaoguanhua的博客
07-29 2462
代码使用KPconv作者提供的github项目。 KPConv训练S3DIS数据集 1、数据准备 这一部分参考RandLA-Net训练S3DIS数据集 2、编译C++代码
BAAF-Net训练Semantic3D数据集
zhaoguanhua的博客
11-01 2226
BAAF-Net训练Semantic3D数据集二、训练和测试代码修改三、训练四、测试 BAAF-Net的作者在github上只放出了S3DIS数据集的训练和测试代码，而且我也问了作者近期并没有放出关于Semantic3D数据集的训练和测试代码的计划，但是作者说他是基于RandLA-Net的代码做的，可以参考RandLA-Net训练Semantic3D数据集的代码进行修改，刚好我们已经对Randla-Net的代码非常熟悉了。在这篇文章里我们就尝试使用BAAF-Net训练Semantic3D数据集。 # 一、
Tensorflow2.0数据集
04-07 432
#Tensorflow2.0数据集 import tensorflow as tf #数据文件输入和预处理 raw_data = tf.io.read_file(filename='./data_file') raw_data = tf.io.decode_raw(input_bytes=raw_data, out_type=tf.int8) raw_data = tf.reshape(raw_data, [128, 1024]) raw_data = tf.dtypes.cast(raw_data, tf
KPConv小记
weixin_45562000的博客
07-24 813
初学者，不对的地方多多指点。 翻译：https://github.com/HuguesTHOMAS/KPConv/blob/master/doc/new_dataset_guide.md pipeline概述 在开始对数据集进行训练之前，训练脚本会初始化一组变量和类。初始化步骤如下: 1.创建Config。这个实例将包含定义网络的所有参数。 2.创建数据集类的实例。这个实例将处理数据和input pipeline。这是您必须实施的类，以根据您自己的数据训练我们的网络 3.在内存中加载输入点云。大多数数据集将
Open3D-PointNet2-Semantic3D：使用Open3D和PointNet ++进行Semantic3D分割
02-06
该项目的目的是展示Open3D在深度学习管道中的用法，并为Semantic3D数据集上的语义分段提供一个干净的基线实现。 这是语义8测试基准页面上的。 是一个开放源代码库，支持快速开发处理3D数据的软件。 Open3D前端使用...
细分：Enet的TensorFlow实现，在Cityscapes数据集上进行了训练
02-06
ENet的TensorFlow实施（ ）基于官方的Torch实施（ ）和PavlosMelissinos的Keras实施（ ），在Cityscapes数据集（ ）上进行了培训。 YouTube视频结果（ ）： 视频中的结果显然可以得到改善，但是由于计算资源有限...
Semantic Textual Similarity Benchmark.zip bert数据集
06-09
这个数据集具有广泛的语料来源，涵盖了新闻、论坛、社交媒体等多种类型，因此能有效测试模型在各种场景下的泛化能力。 三、BERT在STS-B任务中的应用 在STS-B任务中，BERT模型通常会先进行预训练，然后在下游任务...
使用语义网在Web 2.0社区中链接和重用数据-研究论文
05-20
In the context of "Using the Semantic Web for Linking and Reusing Data Across Web 2.0 Communities," the authors discuss the challenges and potential solutions for integrating and leveraging the vast ...
person_segmentation_tf2.0:使用deepLabv3 +细分人员
05-23
标题中的"person_segmentation_tf2.0"是一个项目或库，专门用于在TensorFlow 2.0框架下实现人员分割任务。人员分割是计算机视觉领域的一个重要子领域，它的目标是将图像中的每一个人物区域精确地分割出来，形成像素...
KPConv 配置环境遇到：undefined symbol: _ZN10tensorflow8internal21CheckOpMessageBuilder9NewStringEv
weixin_39123145的博客
07-19 1103
KPConv编译好了tf_custom_ops却遇到问题： tensorflow.python.framework.errors_impl.NotFoundError: tf_custom_ops/tf_neighbors.so: undefined symbol: _ZN10tensorflow8internal21CheckOpMessageBuilder9NewStringEv 发现是因为我的系统的gcc版本和编译好的tensorflow的所用的gcc版本不一致。要解决这个问题，只要在tf_sam
Deep Projective 3D Semantic Segmentation
没有B树的博客
11-09 1566
三维点云的语义分割是许多现实应用中的一个具有挑战性的问题。尽管深度学习已经彻底改变了图像语义分割领域，但迄今为止，它对点云数据的影响有限。最近基于3D深度学习方法（3D-CNNs）的尝试取得了低于预期的结果。这种方法需要对底层点云数据进行体素化，因此降低了空间分辨率并增加了内存消耗。此外，3D CNN在很大程度上受到注释数据集可用性的限制。在本文中，我们提出了一种替代框架，以避免3D-CNNs的限制。我们首先将点云投影到一组合成2D图像上，而不是直接在3D中解决问题。
源码阅读:KPConv之Dataset类
zhaoguanhua的博客
11-09 1343
代码地址:KPConv 我们这里以tensorflow版本的KPConv训练Semantic3D数据集为例，逐步记录网络的训练过程。 一、config 二、dataset 三、model 四、train
Semantic3D:A New Large-Scale Point Cloud Classification Benchmark
weixin_42650040的博客
10-27 615
摘要 本文提出了一个新的3D点云分类基准数据集，该数据集包含超过40亿个手动标记的点，旨在作为深度学习方法的输入。我们还讨论了第一次提交给基准测试的以深度卷积神经网络作为平台，它已经显示出显著的性能改进超过了最先进的水平。神经网络已经成为计算机视觉和机器学习中许多任务的事实上的标准，例如图像中的语义分割或对象检测，但是由于缺乏训练数据，还没有导致3D点云标记任务的真正突破。通过本文提供的大量数据集，我们旨在缩小这一数据差距，帮助释放深度学习方法在3D标签任务中的全部潜力。我们的semantic3D.net数
在大规模点云中，常用数据集的了解及对数据处理的模型算法
最新发布
qq_45268614的博客
02-21 1199
下一步工作就是选取和自己实验相关的主要数据集进行详细理解，以及上面提到的大规模点云数据集常用的算法模型运用。挑选几篇具有代表性的实验和论文结构进行分析，包括在各种数据集上的操作，以及如何对比实验，与基准进行参照对比，得出结论。
【文献翻译】KPConv：灵活且可变形的点云卷积
大秦帝国
06-27 3188
摘要 我们提出了核点卷积(KPConv)，一种新的点卷积设计，即在没有任何中间表示的点云上运行。KPConv的卷积权值通过核点在欧氏空间中定位，并应用于核点附近的输入点。它可以使用任意数量的内核点，这使KPConv比固定的网格卷积更灵活。此外，这些位置在空间上是连续的，可以通过网络学习。因此，kpconv可以扩展到可变形的卷积，学习适应核点局部几何。由于有规律的子采样策略，KPConv对于不同的密度也是有效和健壮的。无论是对复杂任务使用可变形的KPConv，还是对简单任务使用刚性的KPConv，我们的网络
点云能量预测：KPConv点云输入方式
一青的博客
03-22 1174
KPConv点云输入方式 在KPconv中，有两种数据输入方式。一种是随机输入，一种是基于能量的输入方式。本文将介绍基于能量的输入方式。 其主要是通过将原始点云O进行格网降采样为点云集合S，在点云S再次降采样为点云集合E，点云集合E的属性除了XYZ外还有能量值,每个点随机赋予0-0.001。 对点云S建立KD树。 针对E点云每次以E中能量最低的点，并加噪声偏移，以R为半径(isprs vaihingen15米)获取其内的点云集合e_sub； 将点云e_sub按球心坐标进行归一化，距离球心距离为r； 对
RandLA-Net预处理时interrupted by signal 9: SIGKILL的解决办法
m0_48290347的博客
11-14 343
在用RandLA-Net预处理Semantic3D几个较大的文件时，程序总是被杀死，提示：interrupted by signal 9: SIGKILL。
win10系统下使用pytorch版本的KPConv模型训练S3DIS数据集bug修改
zhaoguanhua的博客
08-05 1952
一、pytorch版本github地址: 二、系统环境 三、bug修改 3.1、编译下采样和最近邻搜索模块bug 3.2、
semantic3d数据集训练
07-28
通过使用Semantic3D数据集进行训练，可以让语义分割算法在三维点云数据上得到充分的训练和测试，从而提高算法在真实场景中的性能。这对于各种应用，如自动驾驶、机器人导航和环境监测等具有重要意义。
评论 7
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