记录PointNet PyTorch版本的学习 PyTorch版本PointNet作者Tensorflow版本页面上给出的github地址，这里 数据集 PyTorch版本只给出了ModelNet的数据，只能进行部件分割，但是我想测试S3DIS数据集，所以下载了原作者给的链接中已经处理好的数据，文件为h5格式。 作者对所有的点云进行了采样，每个采样空间是一个立方体，做成一个数据，每个数据有4096个点；一个h5文件中是1000*4096*9个数字，代表1000个点云，每个点云中有4096个点，每个点有9个值xyz，rgb，剩下三个还不知道。 具体处理过程在Tensorflow版本中给出了，太复杂看不太懂。 利用这些处理好的h5文件，结合Tensorflow版本的代码写出PyTorch的数据集class，代码在indoor3d_dataset.py中。 训练 训练的代码基本参考了PyTorch版本的，只是将刚开始数据集的读取改成了S3DIS的，代码在train_indoor_3d.py中。 结果可视化 PyTorch版本用了原作者Tensorflow版本中提供的可视化代码，用ope

这项工作基于我们的arXiv 技术报告，该报告将出现在 CVPR 2017 中。我们提出了一种新颖的点云深度网络架构（作为无序点集）。您还可以查看我们的项目网页以获得更深入的介绍。 点云是一种重要的几何数据结构。由于其不规则的格式，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，这会使数据变得不必要地庞大并导致问题。在本文中，我们设计了一种直接消耗点云的新型神经网络，它很好地尊重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、部分分割到场景语义解析的应用提供了统一的架构。虽然简单，但 PointNet 非常高效且有效。 在这个存储库中，我们发布了代码和数据，用于在从 3D 形状采样的点云上训练 PointNet 分类网络，以及在 ShapeNet Part 数据集上训练部件分割网络。

更新 2021/03/27: （1）发布语义分割的预训练模型，其中PointNet++可以达到53.5%的mIoU。 (2) 发布预训练模型用于分类和部分分割log/。 2021/03/20：更新分类代码，包括： (1) 添加训练ModelNet10数据集的代码。使用--num_category 10. (2) 添加仅在 CPU 上运行的代码。使用--use_cpu. (3) 增加离线数据预处理代码，加速训练。使用--process_data. (4) 添加用于均匀采样训练的代码。使用--use_uniform_sample. 2019/11/26: (1) 修复了之前代码中的一些错误并增加了数据增强技巧。现在只用1024分就可以达到92.8%！ (2) 增加了测试代码，包括分类和分割，以及可视化的语义分割。 (3) 将所有模型整理成./models文件，方便使用。

该算法比较成熟地解决了点云处理中的一些困难：空洞填补、曲面拟合等等

将双边滤波算法应用于点云噪点滤除，可有效提高点云质量。高质量的输入数据对提高点云学习的人工智能训练效率与质量有显著的帮助。

研究一种高效空间索引方法来管理海量点云数据，研究点云数据的管理和处理方法。