使用PointNet对虚拟kitti数据集进行3D语义分割
主要代码来自
数据集
您可以从下载数据集。
所有文件均以numpy .npy文件形式提供。 每个文件包含一个N x F矩阵，其中N是场景中的点数，F是每个点的要素数，在这种情况下，F = 7。 功能包括XYZRGBL，3D XYZ位置，RGB颜色和地面真实语义标签L。每个文件都用于一个场景。
训练
下载并准备好数据后，请开始使用main.ipynb进行培训。
可视化数据
对于数据可视化，您可以使用vis_data_vispy.py文件。
使用PointNet的选定项目
Qi等人的。 （NIPS 2017）点云上的分层功能学习框架。 PointNet ++体系结构将PointNet递归应用于输入点集的嵌套分区。 它还为密度不均匀的点云提出了新颖的层。
Engelmann等人的。 （ICCV 2017研讨会）。 这项工作扩展了P
2021-11-07 13:50:24
21.73MB
1
适合计算机视觉-语义分割学习的人
2021-11-05 13:04:41
534.64MB
1
PyTorch用于语义分割
该存储库包含一些用于语义分割的模型以及在PyTorch中实现的训练和测试模型的管道
楷模
Vanilla FCN：分别为VGG，ResNet和DenseNet版本的FCN32，FCN16，FCN8（ ）
U-Net（ ）
SegNet（ ）
PSPNet（）
GCN（）
DUC，HDC（）
需求
PyTorch 0.2.0
PyTorch的TensorBoard。 安装
其他一些库（在运行代码时查找丢失的内容：-P）
制备
转到models目录并在config.py中设置预训练模型的路径
转到数据集目录并按照自述文件进行操作
去做
DeepLab v3
2021-11-03 14:39:51
1.52MB
1
DeepLabv3+是一种非常先进的基于深度学习的图像语义分割方法，可对物体进行像素级分割。
本课程将手把手地教大家使用labelme图像标注工具制作数据集，并使用DeepLabv3+训练自己的数据集，从而能开展自己的图像语义分割应用。
本课程有两个项目实践：
(1) CamVid语义分割 ：对CamVid数据集进行语义分割
(2) RoadScene语义分割：对汽车行驶场景中的路坑、车、车道线进行物体标注和语义分割
本课程使用TensorFlow版本的DeepLabv3+，在Ubuntu系统上做项目演示。 包括：安装deeplab、数据集标注、数据集格式转换、修改程序文件、训练自己的数据集、测试训练出的网络模型以及性能评估。
本课程提供项目的数据集和Python程序文件。
下图是使用DeepLabv3+训练自己的数据集RoadScene进行图像语义分割的测试结果：
2021-11-01 09:35:27
7.19MB
1