PointNet、PointNet++代码解析

如何利用CloudCompare软件进行点云数据标注

https://blog.csdn.net/weixin_44603934/article/details/123591370

PointNet++训练自己的数据集（附源码）

http://www.xbhp.cn/news/39384.html

制作PointNet以及PointNet++点云训练样本

https://blog.csdn.net/CC047964/article/details/124345423

分类任务

主模块文件 train_classification.py

源代码

略

训练参数配置

def parse_args():
    '''PARAMETERS'''
    parser = argparse.ArgumentParser('training')
    parser.add_argument('--use_cpu', action='store_true', default=False, help='use cpu mode')
    parser.add_argument('--gpu', type=str, default='0', help='specify gpu device')
    parser.add_argument('--batch_size', type=int, default=24, help='batch size in training')
    parser.add_argument('--model', default='pointnet_cls', help='model name [default: pointnet_cls]')
    parser.add_argument('--num_category', default=40, type=int, choices=[10, 40],  help='training on ModelNet10/40')
    parser.add_argument('--epoch', default=200, type=int, help='number of epoch in training')
    parser.add_argument('--learning_rate', default=0.001, type=float, help='learning rate in training')
    parser.add_argument('--num_point', type=int, default=1024, help='Point Number')
    parser.add_argument('--optimizer', type=str, default='Adam', help='optimizer for training')
    parser.add_argument('--log_dir', type=str, default=None, help='experiment root')
    parser.add_argument('--decay_rate', type=float, default=1e-4, help='decay rate')
    parser.add_argument('--use_normals', action='store_true', default=False, help='use normals')
    parser.add_argument('--process_data', action='store_true', default=False, help='save data offline')
    parser.add_argument('--use_uniform_sample', action='store_true', default=False, help='use uniform sampiling')
    return parser.parse_args()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

if __name__ == '__main__':
    args = parse_args()
    main(args)
1
2
3

执行train_classification.py时传入参数，不传入则使用parse_args()中的默认值，例如：

python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg
1

入口函数main

一些初始操作：创建目录、log、加载训练数据到tensor

加载数据集

将自己的数据集用函数ModelNetDataLoader加载成合适的tensor形式，再用torch.utils.data.DataLoader将该tensor格式化为torch可使用的形式。

其中ModelNetDataLoader函数要根据具体的数据集来确定实现逻辑：数据集 ~> tensor

最远点采样FPS代码解析

注意：一般深度学习框架中都会使用批操作，来加速收敛。
因此采样函数的输入输出应当也要包含批。

def farthest_point_sample(xyz, npoint):
    """
    Input:
        xyz: pointcloud data, [B, N, C]
        npoint: number of samples
    Return:
        centroids: sampled pointcloud data, [B, npoint, C]
    """
    device = xyz.device
    B, N, C = xyz.shape
    S = npoint
    centroids = torch.zeros(B, S, dtype=torch.long).to(device)
    distance = torch.ones(B, N).to(device) * 1e10
    farthest = torch.randint(0, N, (B,), dtype=torch.long).to(device)
    batch_indices = torch.arange(B, dtype=torch.long).to(device)
    for i in range(S):
        centroids[:, i] = farthest
        centroid = xyz[batch_indices, farthest, :].view(B, 1, 3)
        dist = torch.sum((xyz - centroid) ** 2, -1)
        mask = dist < distance
        distance[mask] = dist[mask]
        farthest = torch.max(distance, -1)[1]
    return centroids 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

知识储备

pytorch、python知识点

• nn.BatchNorm1d：批数据的归一化，详细说明可参考这里。

最远点采样 ( Farthest Point Sampling )

本质：一句话概括就是不断迭代地选择距离已有采样点集合的最远点。
最远点采样(Farthest Point Sampling)是一种常用的采样算法，特别是在激光雷达3D点云数据中。这篇文章介绍最远点采样方法在一维、二维、三维点集中的使用。附有numpy写的代码和实例。

FPS算法原理步骤：

1. 输入点云有N个点，从点云中选取一个点P0作为起始点，得到采样点集合S={P0}。
2. 计算所有点到P0的距离，构成N维数组L，从中选择最大值对应的点作为P1，更新采样点集合S={P0，P1}。
3. 计算所有点到P1的距离，对于每一个点Pi，其距离P1的距离如果小于L[i]，则更新L[i] = d(Pi, P1)，因此，数组L中存储的 一直是每一个点到采样点集合S的最近距离。
4. 选取L中最大值对应的点作为P2，更新采样点集合S={P0，P1，P2}。
5. 重复2-4步，一直采样到N’个目标采样点为止。

原理和实现代码（python）

ModelNet40数据集介绍

ModelNet40数据集是用于分类的点云数据集，包含了40个类别，训练集有9843个点云数据，验证集有2468个点云数据，数据集目录结构如下：

更多介绍请点击

代码实现（基于pytorch）

源码地址

环境配置

（1）Windows系统
python 3.8 cuda 11.1 pytorch 1.8.0 torchvision 0.9.0
（2）ubuntu系统
python 3.7 cuda 11.1 pytorch 1.8.0 torchvision 0.9.0

代码解析

可参考

目录结构

models：网络模型，如分割模型，分类模型，pointNet模型，pointNet++模型等
log??
data_utils??
visualizer：可视化

README

对于版本迭代的说明。

略…

工具链的安装

The latest codes are tested on Ubuntu 16.04, CUDA10.1, PyTorch 1.6 and Python 3.7:

conda install pytorch==1.6.0 cudatoolkit=10.1 -c pytorch
1

分类任务运行指南

下载数据集

• Data Preparation
  Download alignment ModelNet here and save in data/modelnet40_normal_resampled/.

运行代码