文章目录

一、【点云分类】和【部件分割】：
- 1.1 复现结果展示
- 1.2 复现过程
- 1.3 复现过程中遇到的问题
- - 1.3.1 分类遇到的问题
  - 1.3.2 分类可视化（检验）遇到的问题
  - 1.3.3 部件分割遇到的问题
  - 1.3.4 部件分割可视化（检验）遇到的问题
  - 1.3.5 思考
二、室内场景点云语义分割
- 2.1 复现结果展示
- 2.2 复现过程

一、【点云分类】和【部件分割】：

1.1 复现结果展示

1.2 复现过程

1.1.1 复现过程参考博客：https://blog.csdn.net/BIT_HXZ/article/details/123521410
1.1.2 代码下载：https://github.com/fxia22/pointnet.pytorch
1.1.3 作者论文：https://arxiv.org/abs/1612.00593
1.1.4 PointNet算法解读：3D点云物体检测（唐宇迪）
1.1.5 数据集：shapenetcore_partanno_segmentation_benchmark_v0

# 查看数据集中seg格式文件保存的标签数据，该文件保存了一行类别标签。
import numpy as np
fn = "D:\\PointNet\\pointnet.pytorch-master\\shapenetcore_partanno_segmentation_benchmark_v0\\02691156\points_label\\1a04e3eab45ca15dd86060f189eb133.seg"
seg = np.loadtxt(fn).astype(np.int64)
print(seg.shape, seg[0:199])

1.1.6 环境配置：跟着李沐大神配置 CUDA 和 GPU 版本的 torch

GPU 版本的 torch 配置注意事项：①，要先安装NVIDIA驱动。②，安装GPU版本的torch要在base环境。③，安装过程中不要科学上网。

1.3 复现过程中遇到的问题

1.3.1 分类遇到的问题

① 用编译器直接复现，要加一行

if __name__ == "__main__":

② 用 CPU 不用 GPU 的要在 if name == “main”: 后面加如下一行

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 把全部的 .cuda() 换成 .to(device)

然后把全部的 .cuda() 换成 .to(device)。如图所示，

③ 参数设置和代码修改如下图所示：

1.3.2 分类可视化（检验）遇到的问题

待补充…

1.3.3 部件分割遇到的问题

分割修改的代码如下图所示，

用 CPU 的可以和分类的操作一样，把全部的 .cuda() 换成 .to(device)

1.3.4 部件分割可视化（检验）遇到的问题

①、【dll = np.ctypeslib.load_library(‘render_balls_so’, ‘.’) OSError: no file with expected extension：】
点击链接下载【https://download.csdn.net/download/qq_35591253/86507242】（0积分下载）下载 render_balls_so.dll 替换 pointnet.pytorch-master\utils 文件夹下的 render_balls_so.dll。

1.3.5 思考

①、代码中为什么有时候用 Conv1d 升维，有时候用 Conv1d 降维。有时候用 Linear() 降维。在查了其他人的博客以后，我发现当作用于一维数据的时候，一维卷积 Conv1d() 和 Linear() 的效果是一模一样的，那为什么 Pointnet 里面不全用 Conv1d() 或者全用 Linear() 呢？
首先我找到了下图的规律，如图所示。从下图可以看出，黄框部分，有好多点（n行）同时通过 MLP 的时候，就用 conv1d() ；绿框部分，有一行通过 MLP 的时候，用的是 Linear() 。

已经有人比较了在相同输入数据的条件下两者之间的区别：（1）Linear() 比 conv1d() 的计算速度快；（2）Conv1d() 的精度比 Linear() 的高；（3）在反向传播更新梯度的时候，数值有差异。
那么为什么这么设计呢？查了大量资料以后，我觉得这个答案最靠谱。当你必须保留语义分割中的空间信息时，使用卷积 Conv1d() 。当你不需要做任何与空间信息相关的事情时，比如在基本分类（mnist、猫狗分类器）中，使用线性层 Linear() 。

②、感谢网友 Liu1998121 的提醒，CPU 运行精度明显低于 GPU 运行的精度的原因，可能是 CPU 和 GPU 默认的数据类型不一样。

二、室内场景点云语义分割

2.1 复现结果展示

用meshlab打开：

用paraview打开：

图例如下表所示，

类名	ceiling	floor	wall	beam	column	window	door	table	chair	sofa	bookcase	board	clutter
标签label	1	2	3	4	5	6	7	8	9	10	11	12	13

2.2 复现过程

2.2.1 复现过程参考博客：https://blog.csdn.net/weixin_42371376/article/details/118142529
2.2.2 复现代码：https://github.com/hetao255/Pointnet_Pointnet2_pytorch
2.2.3 数据集：S3DIS

Pytorch：复现PointNet相关推荐

我用 PyTorch 复现了 LeNet-5 神经网络（自定义数据集篇）！
大家好,我是红色石头! 在上三篇文章: 这可能是神经网络 LeNet-5 最详细的解释了! 我用 PyTorch 复现了 LeNet-5 神经网络(MNIST 手写数据集篇)! 我用 PyTorch ...
我用 PyTorch 复现了 LeNet-5 神经网络（CIFAR10 数据集篇）！
大家好,我是红色石头! 在上两篇文章: 这可能是神经网络 LeNet-5 最详细的解释了! 我用 PyTorch 复现了 LeNet-5 神经网络(MNIST 手写数据集篇)! 详细介绍了卷积神经网络 ...
【深度学习】我用 PyTorch 复现了 LeNet-5 神经网络（自定义数据集篇）！
在上三篇文章: 这可能是神经网络 LeNet-5 最详细的解释了! 我用 PyTorch 复现了 LeNet-5 神经网络(MNIST 手写数据集篇)! 我用 PyTorch 复现了 LeNet-5 ...
NVIDIA新作解读：用GAN生成前所未有的高清图像（附PyTorch复现） | PaperDaily #15
在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考. 在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果. 点击本文底部的「阅读原文」即刻加入社区 ...
亚像素卷积网络(ESPCN)学习与Pytorch复现
论文内容论文地址:Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolution ...
基于PyTorch实现PointNet++
PointNet++完整代码链接: https://github.com/zhulf0804/Pointnet2.PyTorch 关于点云的深度学习表示 PointNet / PointNet++是基 ...
Pytorch复现FCN网络
Pytorch复现FCN网络详解(可复现) 1.环境配置 windows10,pytorch=1.3,python=3.6 参考博客:https://github.com/wkentaro/pytor ...
CV+Deep Learning——网络架构Pytorch复现系列——Detection(一：SSD:Single Shot MultiBox Detector 4.推理Detect)
上一话 CV+Deep Learning--网络架构Pytorch复现系列--Detection(一:SSD:Single Shot MultiBox Detector 3.loss)https:// ...
Resnet50 pytorch复现
Resnet50 pytorch复现之前复现过Resnet18,今天复现与Resnet网络结构稍有不同的Resnet50 Resnet50的基本结构是1x1卷积->3x3卷积->1x1卷 ...
【医学图像分割网络】之Res U-Net网络PyTorch复现
[医学图像分割网络]之Res U-Net网络PyTorch复现 1.内容 U-Net网络算是医学图像分割领域的开山之作,我接触深度学习到现在大概将近大半年时间,看到了很多基于U-Net网络的变体,后续 ...

Pytorch：复现PointNet