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

PointNet.pdf

点网 PyTorch实现的“ PointNet：针对3D分类和分段的点集深度学习” 中型文章详细说明了实现的关键点。 分类数据集 此代码在数据集上实现对象分类。 与原始论文一样，我们根据当前面的面积在对象表面上采样1024个点。 然后，将对象归一化为单位球并添加高斯噪声。 这是代表椅子的神经网络的输入示例： 您可以通过以下下载数据集 分类表现 等级（精度） 全面的 浴缸 床 椅子 桌子 梳妆台 监视器 床头柜 沙发 桌子 洗手间 ModelNet10 82.0％ 93.4％ 92.0％ 97.2％ 81.5％ 71.0％ 89.4％ 56.0％ 86.9％ 93.4％ 95.9％ 预训练模型可用 用法 最好的第一个选择是在Google Colab中使用注释和可视化效果/nbs/PointNetClass.ipynb运行笔记本。 第二个选项是在本地计算机上克

三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。PointNet++是点云处理深度学习里程碑式的工作，启发了很多后续研究。 原作的PointNet++代码使用Python2.7和tensorflow1.4。本课程将PointNet++代码更新至Python3并在tensorflow1.13上演示。   本课程对TensorFlow版的PointNet++进行原理讲解、论文复现和代码详解。包括：   （1）提供三维点云数据集ModelNet40、ShapeNet和Scannet的下载、可视化软件和方法； （2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试； （3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。

三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作，启发了很多后续研究。 本课程对PyTorch版的PointNet++进行原理讲解、论文复现和代码详解。包括：  （1）提供三维点云物体分类数据集ModelNet40、物体部件分割数据集ShapeNet和场景分割数据集S3DIS的下载、可视化软件和方法； （2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试； （3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。 需要学习TensorFlow版PointNet++的学员可前往本人推出了课程《PointNet++点云处理TensorFlow版》

该存储库是用于在计算机视觉中使用pcl和tensorflow的沙箱（实验代码） “细分”是利用pcl从深度传感器中捕获3d点云，应用SAC细分以去除大型平面，通过pcl欧几里德聚类提取从场景中提取细分/数据/模型中预定义3D模型的候选实例，进行分类的管道他们使用点网将其放入预定义的对象集中，然后通过pcl SampleConsensusPrerejective估计其姿势 使用的软件包： python 3.5 x64 https://www.python.org/downloads/release/python-350/ pip install --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_amd64.whl pip install scipy

pointnet数据集modelnet40_ply_hdf5_2048，为了学习最原始的pointnet的网络，一般初学者最头疼的就是运行作者的源码（%99.999运行不出来，尤其是windows），下载的半个月才下载好。