BAAF-Net训练Semantic3D数据集

最新推荐文章于 2024-05-23 01:23:07 发布
最新推荐文章于 2024-05-23 01:23:07 发布
阅读量2.2k 收藏 8
点赞数
分类专栏： 点云 深度学习 文章标签： 点云 语义分割 tensorflow BAAF-Net
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/121081201
版权

BAAF-Net训练Semantic3D数据集

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、数据预处理

参考在tensorflow2.0环境下使用RandLA-Net训练Semantic3D数据集中Semantic3D的数据预处理过程。

二、训练和测试代码修改

将RandLaNet的main_semantic.py脚本拷贝到BAAF-Net目录下。两处修改
1、网络引用

from RandLANet import Network

改为


                

                
                
        

        

    




        

            

                

                

                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
    
            
    • 
            
  • 
              
                
                
                
                
                    8
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
                
  • 
                  
                    打赏
                    
                  
                  
    打赏
    
                
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                  16
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          

                

                        订阅专栏
                










                



	

		

			

				
					
点云公开数据集:Semantic3D

				
			

			

				

					zhaoguanhua的博客
				

				

					11-09
					
					4891
					
				

			

		

		

			
				
一、基本信息
二、数据分析
三、数据处理



			
		

	



                

              
                



	

		

			

				
					
BestBooks:BestBooks会计应用程序框架（BAAF）-开源

				
			

			

				

					05-10
				

			

		

		

			
				
BestBooks是一种完全用Java编写的会计应用程序框架（BAAF），它使软件开发人员可以基于传统的会计术语开发全面的会计系统。 BestBooks是可扩展的，并实现了一个开放式数据库。

			
		

	



                


  
              

                


	

		

			

				
					
点云语义分割:BAAF-Net解读

				
			

			

				

					zhaoguanhua的博客
				

				

					10-29
					
					2559
					
				

			

		

		

			
				
论文地址:
一、前言
主要分析RandLA-Net的不足
二、Bilateral Context Module
2.1、Bilateral Context block
2.1.1、Bilateral Augmentation
2.1.2、Mixed Local Aggregation
三、Adaptive Fusion Module



			
		

	





	

		

			

				
					
RandLA-Net 调通代码3：Windows 11 + Tensorflow 2.4 + Sematic3D数据集

					
最新发布

				
			

			

				

					累了就要打游戏
				

				

					05-23
					
					1222
					
				

			

		

		

			
				
RandLA-Net 调通代码3：Windows 11 + Tensorflow 2.4 + Sematic3D数据集

			
		

	



		

			
		



	

		

			

				
					
探索未来三维世界：Open3D-PointNet2-Semantic3D

				
			

			

				

					gitblog_00051的博客
				

				

					04-17
					
					438
					
				

			

		

		

			
				
探索未来三维世界：Open3D-PointNet2-Semantic3D
项目地址:https://gitcode.com/IntelVCL/Open3D-PointNet2-Semantic3D
Open3D-PointNet2-Semantic3D 是一个基于 Intel Visual Compute Lab 开发的强大开源项目，它整合了 Open3D 库与 PointNet2 模型，专门用于...

			
		

	





	

		

			

				
					
Semantic3D

				
			

			

				

					cuiy24的博客
				

				

					07-11
					
					2951
					
				

			

		

		

			
				
包含8个语义类，涵盖了广泛的城市户外场景:教堂、街道、铁轨、广场、村庄、足球场和城堡。我们精心选择了各种不同的自然和人工场景，以防止分类器的过度拟合。所有发布的场景都是在中欧捕获的
数据格式
ascii text files with format {x, y, z, intensity, r, g, b}
semantic-8：
包含8个语义标签
1：人造地形：主要是路面
2：自然地形：以草地为主
3：高植被：树木和大灌木丛
4：低植被：小于2米的花或小灌木
5：建筑物：教堂、市政厅、车站
6：硬景观：一

			
		

	





	

		

			

				
					
ar Billing Adjustment Application Form (BAAF) - V8

				
			

			

				

					12-08
				

			

		

		

			
				
非常有用的ar Billing Adjustment Application Form (BAAF) - V8

			
		

	





	

		

			

				
					
Medium Enhanced Stats-crx插件

				
			

			

				

					03-09
				

			

		

		

			
				
统计页面v1.4的弹出窗口和底部的统计数据v1.4-跟踪统计的文章总数统计v1.3-带有打开统计按钮的扩展弹出窗口和适用的统计总数v1.2-响应v1的其他（联合）视图的统计总数.1-响应和系列v1.0的总计统计信息-初始版本:...

			
		

	





	

		

			

				
					
React-Native-FlatList-Slider:用FlatListReact本机图像滑块

				
			

			

				

					05-04
				

			

		

		

			
				
用法 来自URI的图片 const images = [ { image:'https://images.unsplash.com/photo-1567226475328-9d6baaf565cf?ixlib=rb-1.2.1&ixid=eyJhcHBfaWQiOjEyMDd9&auto=format&fit=crop&w=400&q=60', desc: 'Silent ...

			
		

	





	

		

			

				
					
RandLA-Net网络在Semantic3D数据集分割复现

				
			

			

				

					weixin_48845174的博客
				

				

					04-25
					
					5834
					
				

			

		

		

			
				
最近一直在看些大场景点云分割的文章，它们的方法无非就是对邻域的点云信息进行编码学习特征，然后利用注意力等加权学习特征，最后在利用各种方法去聚合特征。有的网络比较复杂的还在结合上下文信息时去添加注意力模块或者融合不同尺度的的点云特征获取更好的分割效果。今天给大家复现一下RandLA-Net的Semantic3D数据集的训练过程。
首先，RandLA-Net中的复现环境是Ubuntu16.04，tf1.11，CUDA9.0版本的。但是我的电脑是Ubuntu18.04的，所以我尝试使用tf1.14去复现。
首先根

			
		

	





	

		

			

				
					
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

				
			

			

				

					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。

			
		

	





	

		

			

				
					
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

					
热门推荐

				
			

			

				

					zhaoguanhua的博客
				

				

					07-15
					
					3万+
					
				

			

		

		

			
				
一、文本（txt）
按行排列，x，y，z，r，g，b
如下图
二、PCD
文件头
三、LAS
四、PLY
PLY是一种多边形文件格式，由Standford大学的Truk等人设计开发



			
		

	





	

		

			

				
					
点云语义分割:使用RandLA-Net训练自己的数据集

				
			

			

				

					zhaoguanhua的博客
				

				

					09-13
					
					7397
					
				

			

		

		

			
				
使用RandLA-Net训练Semantic3D数据集一、数据获取与下载1、数据介绍2、数据预处理二、模型三、测试四、验证结果
一、数据获取与下载
1、数据介绍
数据下载地址:Semantic3D
2、数据预处理
2.1、点坐标、颜色、标签合并、保存成npy格式
2.2、下采样、建立kdtree、建立投影文件
二、模型
三、测试
四、验证结果

...

			
		

	





	

		

			

				
					
在tensorflow2.0环境下使用RandLA-Net训练Semantic3D数据集

				
			

			

				

					zhaoguanhua的博客
				

				

					07-26
					
					7299
					
				

			

		

		

			
				
最近在做点云语义分割，RandLA-Net是比较新的针对大规模点云的语义分割网络，之前一直使用的是torch版本的代码在训练自己的数据集，训练结果一直很差，同时我在Semantic3D数据集上训练的效果也很差，有几类精度始终为0，最终平均iou只有20%多，这和作者论文中给出的实验结果相差很大。
为了验证是否是我使用的pytorch工程代码的问题，我打算在作者自己提供的代码上测试一下Semantic3D数据集，RandLA-Net作者在github上发布的是tensorflow版本的代码，而且是tensor

			
		

	





	

		

			

				
					
从零开始点云语义分割:RandLANet教程

				
			

			

				

					zhaoguanhua的博客
				

				

					09-09
					
					7217
					
				

			

		

		

			
				
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。

			
		

	





	

		

			

				
					
Win10系统下训练RandLA-Net点云语义分割模型

				
			

			

				

					zhaoguanhua的博客
				

				

					08-18
					
					6726
					
				

			

		

		

			
				
1、编译cpp模块
1.1、编译下采样模块
cmd中进入cpp_wrappers\

1.2、编译最近邻搜素模块

2、数据预处理
这一步主要做的是下采样、建立kdtree、生成投影proj文件
运行代码前需要修改两个地方
第一个是修改脚本


第二个是修改脚本

最后是修改数据路径

执行脚本预处理数据

3、训练
4、测试

...

			
		

	





	

		

			

				
					
点云聚类:DBSCAN（Python）

				
			

			

				

					zhaoguanhua的博客
				

				

					01-25
					
					6332
					
				

			

		

		

			
				
DBSCAN算法在点云上的使用



			
		

	





	

		

			

				
					
3D点云变换(平移、旋转、缩放)以及python实现

				
			

			

				

					zhaoguanhua的博客
				

				

					12-06
					
					5642
					
				

			

		

		

			
				
旋转、平移、缩放



			
		

	





	

		

			

				
					
点云可视化：使用open3d实现点云连续播放

				
			

			

				

					zhaoguanhua的博客
				

				

					03-26
					
					5395
					
				

			

		

		

			
				
模型训练完成后除了看ap等定量的指标是否变好外，还需要将结果可视化出来，直接观察模型的输出结果，往往我们的数据会比较多，如果单帧的看的话会比较麻烦，需要频繁的关闭窗口，最好是能直接连续的播放数据和模型的推理结果。我这里以waymo数据集中的一个场景分别给出open3d连续播放可视化的实现过程，样例数据已经上传网盘。（这里只放出第一种和第三种，第二种太过复杂么，需要设计很多控制变量）

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 16

	

	
	




  

    

      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