PointNet的点云分割实验

         PointNet属于直接对点云数据进行语义分割的开山之作，优点就不一一细说了，直接上代码来说明跑代码的过程以及过程中遇到的问题。笔者不才，欢迎斧正！实验的代码可以在这里下载：https://github.com/charlesq34/pointnet

1、实验数据的下载和预处理

方法一：直接获取（忘记下载的数据有神马了。。。。比较清楚记得自己用代码处理的部分）

Donwload prepared HDF5 data for training:

    sh download_data.sh

方法二：自己下载数据集然后使用代码进行处理

        PointNet语义分割使用的数据集是Stanford 3D语义分割数据集，每一个点都用13个类别的语义标签之一进行注释，一共分为6个场景，其中前5个场景用来做训练集，第6个场景做验证集和测试集。下载在：https://docs.google.com/forms/d/e/1FAIpQLScDimvNMCGhy_rmBA2gHfDu3naktRm6A8BPwAWWDv-Uhm6Shw/viewform?c=0&w=1。填完相应的信息即可下载啦！6个场景是酱紫！

（1）将场景数据转换成.npy格式（代码：collect_indoor3d_data.py）

下载好的场景数据是.txt的点云格式（XYZRGB），可以用meshlab打开，在这里作者直接将每个场景中标记的小物体集成到了大场景的子场景.npy中。

（2）将子场景数据连同label一起封装成batch文件（代码：gen_indoor3d_h5.py）

因为代码是基于tensorflow的，大家都懂，每个深度学习的框架都有自己的运行方式，tensorflow为了更快的加载数据，通常都是先把数据做一个预处理，这个代码呐，就是将所有的数据分为batch_size份，并保存成.h5的文件，方便后期处理调用。

2、训练实验数据（代码：train.py）

（1）配置参数

        pycharm中，然后配置参数：

 

（2）运行train.py

 3、测试分割模型（代码：batch_inference.py）

（1）生成所有数据的文件all_pred_data_label_filelist.txt

        这里作者没有附上源码，粘一下自己生成文本的代码

import os
# pathname=[]
# get txt document
rootdir=os.path.join('./log/dump/')

# read document
write_path=open('./all_pred_data_label_filelist.txt','w')
for (dirpath,dirnames,filenames) in os.walk(rootdir):
    for filename in filenames:
        if os.path.splitext(filename)[1]=='.txt':
            # pathname+=[dirpath+filename]
            write_path.write('log/dump/'+filename+'\n')
write_path.close()

（2）配置GPU并运行batch_inference.py

 

4、最后可视化的结果：