搅拌机 关于 该存储库包含一些代码，这些代码用于创建大型粒子集合（体素网格，点云）以及Blender中的颜色信息。 blender-kitti有两个目标： 创建的对象是精确的，这意味着所有粒子均在其定义的位置创建，并且所有颜色均具有指定的确切RGB值。 所有颗粒均可单独着色。 成绩单的表现是可以接受的。 创建100k点云的时间不应超过一秒钟。 这些品质一起使blender-kitti可以从KITTI数据集（因此而得名）或相关数据集中渲染大规模数据。 当涉及到可视化时，每个人都有不同的用例。 因此，这不是万能的解决方案，而是可以适用于各个用例的一系列技术。 有示例代码可以渲染上面的演示图像。 使用它来验证您的安装是否有效，并以此作为修改的起点。 安装到Blender的捆绑Python中 # Wherever your Blender installation is located.

圆柱和非对称3D卷积网络用于LiDAR分割 我们的工作“用于LiDAR分割的圆柱和非对称3D卷积网络”的源代码 消息 2021-03 [NEW :fire: ] Cylinder3D被接受为CVPR 2021的口头报告 2021-01 [NEW :fire: ] Cylinder3D在SemanticKITTI多扫描语义分割的排行榜中排名第一 2020-12 [NEW :fire: ] Cylinder3D实现了激光雷达nuScenes分割的挑战的第2位，用米欧= 0.779，fwIoU = 0.899和FPS = 10Hz的。 2020-12我们发布了具有nuScenes数据集支持的Cylinder3D新版本。 2020-11我们初步发布了Cylinder3D--v0.1，支持在SemanticKITTI和nuScenes上进行LiDAR语义分割。 2020-11我们的工作实现了SemanticKITT

点云压缩最经典的文章 入门级别 最新的期刊 详细介绍了点云压缩里帧间运动估计和运动补偿技术，而且采用了state-of-art的图变换技术，非常值得学习

Python CPD 相干点漂移算法的纯Numpy实现。 MIT许可证。 介绍 这是Myronenko和Song编写的相干点漂移算法的纯数字实现。 它为点云提供了三种配准方法：1）规模配准和刚性配准； 2）仿射注册； 3）高斯正则化非刚性注册。 CPD算法是用于对齐两个点云的配准方法。 在这种方法中，将移动点云建模为高斯混合模型（GMM），将固定点云视为来自GMM的观测值。 最佳变换参数将最大后验（MAP）估计最大化，即从GMM绘制观察到的点云。 配准方法适用于2D和3D点云。 有关更多信息，请参阅我的。 点安装 pip install pycpd 从源安装 将存储库克隆到一个位置，称为root文件夹。 例如： git clone https://github.com/siavashk/pycpd.git $HOME /pycpd 安装软件包： pip install . 对

DGCNN.pytorch 此仓库是用于点云学习的动态图CNN的PyTorch实现（DGCNN） （ ）。我们的代码框架是从借用的。 请注意，DGCNN论文中用于分类的网络结构（图3）与该论文第4.1节中的相应描述不一致。 DGCNN的作者采用第4.1节中的分类网络设置，而不是图3。我们使用PS修复了图3中的错误，并在下面给出了修改后的图。 提示：点云实验的结果通常比2D图像面临更大的随机性。我们建议您多次运行实验并选择最佳结果。 要求 Python 3.7 PyTorch 1.2 CUDA 10.0 包装：glob，h5py，sklearn 内容 点云分类 运行训练脚本： 1024点 python main_cls.py --exp_name=cls_1024 --num_points=1024 --k=20 2048点 python main_cls.py --exp_name

由stl文件生成点云文件，stl许是ascii 码制

pye57 Python 包装器，用于读写 .e57 点云文件 示例用法 import numpy as np import pye57 e57 = pye57 . E57 ( "e57_file.e57" ) # read scan at index 0 data = e57 . read_scan ( 0 ) # 'data' is a dictionary with the point types as keys assert isinstance ( data [ "cartesianX" ], np . ndarray ) assert isinstance ( data [ "cartesianY" ], np . ndarray ) assert isinstance ( data [ "cartesianZ" ], np . ndarray ) # other attr

使用真实数据和合成数据对点云的下水道缺陷进行分类。这是下水道和缺陷的3D数据的第一个公开可用的数据集。数据集的大部分由合成数据组成，而真实管道的点云是在丹麦奥尔堡大学的实验室环境中记录的。 AAU Sewer Defect Point Cloud Dataset_datasets.txt testing_pointcloud_hdf5_real.h5 testing_pointcloud_hdf5_synthetic.h5 training_pointcloud_hdf5_real.h5 training_pointcloud_hdf5_synthetic.h5 AAU Sewer Defect Point Cloud Dataset_datasets.zip

这是一个框架，可针对经典基准运行用于点云分析任务的通用深度学习模型。 它在很大程度上依赖于和 。 该框架允许以最少的工作量和良好的可重复性构建精简而又复杂的模型。 它还提供了高级API，以使Pointcloud上的深度学习民主化。 有关最新网络的框架功能和基准的概述，请参见3DV上的。 目录 总览 要求 CUDA 10或更高版本（如果需要GPU版本） Python 3.7或更高版本+标头（python-dev） PyTorch 1.5或更高版本（1.4和1.3.1也应正常工作，但没有得到积极支持） 稀疏卷积后端（可选），请参阅以获取安装说明 与安装 pip install torch

来自Semantic3D项目的带标签的点云数据集。该数据集具有数十亿个XYZ-RGB点，并将它们标记为7类。