PointNet和PointNet ++的Pytorch实现 此是和的实现。 更新 2021/03/27： （1）发布预训练的语义分割模型，其中PointNet ++可以达到53.5％的mIoU。 （2）在log/发布用于分类和零件细分的预训练模型。 2021/03/20：更新分类代码，包括： （1）添加用于训练ModelNet10数据集的代码。 使用--num_category 10设置。 （2）添加仅在CPU上运行的代码。 使用--use_cpu设置。 （3）添加用于离线数据预处理的代码，以加快培训速度。 使用--process_data设置。 （4）添加用于统一采样的训练代码。 使用--use_uniform_sample设置。 2019/11/26： （1）修复了先前代码中的一些错误，并添加了数据增强技巧。 现在仅按1024点分类就可以达到92.8％ ！ （2）

PointNet-Pytorch 此仓库是PyTorch中PointNet的实现。 分类 数据集： ModelNet10 [链接] 下载脚本： sh modelnet_data_download.sh 训练脚本： python train_cls.py 链接： PointNet： ：//arxiv.org/pdf/1612.00593.pdf（arxiv） 3D ShapeNets：

PointNet：针对3D分类和分割的点集深度学习 由斯坦福大学的 ，，， 。 介绍 这项工作基于我们的，该将在CVPR 2017中发表。我们为点云（作为无序点集）提出了一种新颖的深层网络架构。 您也可以查看我们的以获得更深入的介绍。 点云是几何数据结构的一种重要类型。 由于格式不规则，大多数研究人员将此类数据转换为规则的3D体素网格或图像集合。 但是，这使数据变得不必要地庞大并引起问题。 在本文中，我们设计了一种直接消耗点云的新型神经网络，该网络很好地考虑了输入中点的排列不变性。 我们的网络名为PointNet，为从对象分类，零件分割到场景语义解析的应用程序提供了统一的体系结构。 虽然很简

使用Open3D和PointNet ++进行Semantic3D语义分割 介绍 使用和PointNet ++进行Semantic3D（semantic-8）分割的演示项目。 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C ++和Python公开了一组精心选择的数据结构和算法。 后端经过高度优化，并设置为并行化。 我们欢迎开源社区的贡献。 在此项目中，Open3D用于 点云数据的加载，编写和可视化。 Open3D

用PyTorch编写的Pointnet2 / Pointnet ++的实现。 Pointnet2 / Pointnet ++ PyTorch用PyTorch编写的Pointnet2 / Pointnet ++的实现。 通过nn.DataParallel支持多GPU。 支持PyTorch版本> = 1.0.0。 使用v1.0支持较旧版本的PyTorch。 有关正式的模型定义和超参数，请参见本文的官方代码发布（以tensorflow格式），charlesq34 / pointnet2。 使用CUDA的GPU当前仅支持Pointnet ++使用的自定义操作。 设置安装python-此仓库已通过{3.6，3.7}进行了测试

pointnet的数据集 shapenetcore_partanno_segmentation_benchmark_v0.zip； 有币的走投币，没币的链接：https://pan.baidu.com/s/1E_W1_nBTuVsQzk1HDJYZig 提取码：g6eo

Pointnet2.PyTorch 基于的的PyTorch实现。 通过重新实现CUDA操作，比原始代码更快。 安装 要求 Linux（已在Ubuntu 14.04 / 16.04上测试） Python 3.6+ PyTorch 1.0 安装 通过运行以下命令来安装此库： cd pointnet2 python setup.py install cd ../ 例子 在这里，我提供了一个简单的示例，用于在KITTI Ourdoor前景点云分割任务中使用此库，有关任务描述和前景标签生成的详细信息，请参考论文 。 从网站下载训练数据，以下方式组织下载的文件： Pointnet2.PyTorch ├── pointnet2 ├── tools │ ├──data │ │ ├── KITTI │ │ │ ├── ImageSets │ │ │ ├── obj

[英语] 这个例子展示了如何训练 PointNet [1] 网络进行点云分类。点云数据由各种传感器获取，例如激光雷达、雷达、深度相机和 iPad LiDAR。这个例子在 3D 点上训练 PointNet 分类器iPad LiDAR扫描的云。由于这个例子只是为了展示如何使用MatLab实现PointNet分类器，因此训练和测试相同的点云进行分类。请使用您的数据进行更多探索。注意本示例是基于Matlab官方创建的文件 [2]。 [日本人]在本例中，3D 点云通过深度学习点云学习方法（PointNet）进行分类。 PointNet [1] 将点云作为输入并返回其类别。此示例基于 MATLAB 官方文档 [2]。 iPad LiDAR 获取的点云作为样本数据。用作训练数据和测试数据的点云存储在所谓的数据存储中，可以在不消耗大量内存的情况下高效地进行学习和验证。在这里，我们将使用我们自己的数据存储

基于CUDA10.0，Tensorflow1.14，显卡是RTX2060s，可能库的版本不对大家也用不了，我把主要的cmake也放上去了，遇到问题可以参考下https://blog.csdn.net/qq_41986166/article/details/112495204

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