手把手教你复现顶会论文 —— RandLA-Net (CVPR 2020 Oral)

最新推荐文章于 2025-04-28 10:32:15 发布

原创最新推荐文章于 2025-04-28 10:32:15 发布 · 2.8k 阅读

13 ·

CC 4.0 BY-SA版权

Python 专栏收录该内容

8 篇文章

订阅专栏

本文介绍了如何使用Pytorch和Tensorflow开源代码库(RandLA-Net)配合SemanticKITTI数据集进行预处理，包括下载数据、Git克隆代码、安装依赖并编译，为深度学习项目打下基础。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

代码库：Pytorch 或者 Tensorflow

(Tensorflow1.11)作者代码库链接：https://github.com/QingyongHu/RandLA-Net
(Pytorch 1.4) 代码库链接： https://github.com/tsunghan-wu/RandLA-Net-pytorch

1. 数据集下载

数据集下载链接: http://www.semantic-kitti.org/dataset.html

首先下载前三个文件，之后将三个文件压缩包解压至同一个文件夹，文件会自动合并，最终生成完整的数据集！想直接下载到服务器，可以使用wget

2. Git Clone 开源代码

下载代码

git clone https://github.com/tsunghan-wu/RandLA-Net-pytorch.git

安装依赖

pip install -r requirements.txt

3.编译(注意：这一步很关键，需要解决所有error和warning,不然后面会显示缺少文件)

bash compile_op.sh

3. 数据预处理

。。。。。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

XiaoMin@

关注关注

0
点赞
踩
13

收藏

觉得还不错? 一键收藏
4
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

【图像去噪】论文复现：CVPR 2022 oral！Restormer的Pytorch源码复现，跑通训练和测试源码，报错改进全记录，由大到小拆解网络结构，由小到大实现模型组合，代码逐行注释！

10-17

740

论文题目：Restormer: Efficient Transformer for High-Resolution Image Restoration —— Restormer：用于高分辨率图像恢复的高效变压器【图像去噪】论文精读：Restormer: Efficient Transformer for High-Resolution Image Restoration本文以SIDD数据集为例，跑通Restormer源码，讲解Restormer网络结构的实现。

【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等

03-25

2万+

本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。

4 条评论您还未登录，请先登录后发表或查看评论

Ubuntu20.04复现算法RandLa-Net 数据集S3DIS

最新发布

WH_G_Y的博客

04-28

707

最近在学习基于深度学习的点云分割算法，关注到牛津大学胡庆拥博士提出的RandLa-Net网络应用于城市级别的点云语义分割，所以想来复现一下。复现过程所参照的博文和代码如下（排序不分先后。没有各位大佬的分享，晚辈们必定寸步难行，感激不尽）

大规模点云的高效语义分割：RandLA-Net（Ubuntu18.04）复现

gfds3445的博客

01-11

2271

这是一种简单高效的神经架构，用于点云分割的深度学习网络模型。它通过对点云数据进行局部聚合和随机采样来处理不同密度和规模的点云，并使用具有全局感知力的特征来进行点云分割任务。RandLA-Net 的核心思想是通过局部区域特征聚合和多尺度特征提取来处理点云数据。它首先将点云划分为不同的局部区域，然后对每个局部区域内的点进行特征聚合。之后，它通过多层的神经网络对聚合后的局部特征进行多尺度特征提取，以获得具有全局感知力的特征表示。最后，通过一个全连接层对每个点进行分类或分割。

Ubuntu18.04复现RandLA-Net(SemanticKITTI数据集）----2.代码复现

m0_62648611的博客

07-13

3331

本文是复现RandLANet

Ubuntu18.04复现RandLA-Net(SemanticKITTTI数据集)----1.环境配置

m0_62648611的博客

07-13

2562

本文主要是复现RandLANet第一步，深度学习环境配置

复现基于Tensorflow的Randla-Net（附踩坑过程）

m0_51950734的博客

05-29

2317

本来想着大功告成，也没有管别的直接就放在那里跑了一晚上，第二天来发现跑的特别慢，测试了一下Tensorflow的GPU可用性，发现果然是在用CPU跑。由于实验室服务器系统为Ubuntu 20.04，CUDA11.4，为避免后续代码因库版本问题报错，一开始考虑按照要求配置相同环境。分析应该是CUDA9.0实际没安装上，还是用的CUDA11.4，因此导致CUDA版本和Tensorflow版本不匹配。其他的库按照推荐进行配置，在安装完后进行测试，发现代码能跑！

CVPR2020 RandLANet（SemanticKITTI数据集）复现——2024年8月

qq_43559830的博客

08-27

2730

之前在配置上成功复现过，但考虑到2080ti显存太小所以想迁移到4090上，也便于之后的改进，所以写下此篇以记录。

【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）

01-14

1万+

你是否在全网苦寻【图像去噪（ImageDenoising）】的相关资料？你的目标是否是看懂【图像去噪（ImageDenoising）】的相关论文，复现代码，跑出结果，并试图创新？你是否需要发表【图像去噪（ImageDenoising）】的相关论文毕业？你是否需要做【图像去噪（ImageDenoising）】的相关项目，开发软件，研究算法，获得专利或者软著？只要是与【图像去噪（ImageDenoising）】有关的问题，那么请继续往下看。

Diffusion Models专栏文章汇总：入门与实战

热门推荐

沉迷单车的追风少年

02-21

3万+

《DiffusionModels与深度学习》专栏文章导航

RandLA-Net-pytorch:RandLA-Net（https的Pytorch实施

05-23

RandLA-Net-pytorch 该存储库包含的实现。我们现在仅支持SemanticKITTI数据集。（欢迎大家共同发展，提高公关意识）我们的模型几乎与原始实现一样好。（验证集：我们的52.9％的mIoU与原始的53.1％）我们将pretrain-model放置在目录中。表现验证集结果（seq 08）与原始实施比较模型密欧原始Tensorflow 0.531 我们的Pytorch实施 0.529 每课时密欧车自行车摩托车卡车其他车辆人骑自行车的人电单车司机路停车处人行道其他地面建造栅栏植被树干地形极交通标志 52.9 0.919 0.122 0.290 0.660 0.444 0.515 0.676 0.000 0.912 0.421 0.759 0.001 0.878 0.354

RandLA-Net-tensorflow2：RandLA-Net的Tensorflow2实现

02-16

RandLA-Net-tensorflow2 RandLA-Net的TensorFlow 2实现

RandLA-Net:andTandorflow中的RandLA-Net（CVPR 2020，口服）

05-03

RandLA-Net：大规模点云的有效语义分割（CVPR 2020）这是RandLA-Net （CVPR2020，口头演示）的官方实施， RandLA-Net是一种简单高效的神经体系结构，用于大规模3D点云的语义分割。有关技术细节，请参阅： RandLA-Net：大规模点云的有效语义分割，，，，，，，。 [] [] [] [] （1）设置该代码已在Ubuntu 16.04上使用Python 3.5，Tensorflow 1.11，CUDA 9.0和cuDNN 7.4.1进行了测试。克隆存储库 git clone --depth=1 https://github.com/QingyongHu/RandLA-Net && cd RandLA-Net 设置python环境 conda create -n randlanet python=3.5 source activate

RandLA-Net网络在Semantic3D数据集分割复现

weixin_48845174的博客

04-25

6429

最近一直在看些大场景点云分割的文章，它们的方法无非就是对邻域的点云信息进行编码学习特征，然后利用注意力等加权学习特征，最后在利用各种方法去聚合特征。有的网络比较复杂的还在结合上下文信息时去添加注意力模块或者融合不同尺度的的点云特征获取更好的分割效果。今天给大家复现一下RandLA-Net的Semantic3D数据集的训练过程。首先，RandLA-Net中的复现环境是Ubuntu16.04，tf1.11，CUDA9.0版本的。但是我的电脑是Ubuntu18.04的，所以我尝试使用tf1.14去复现。首先根

在RTX 3090上复现点云语义分割算法RandLA-net

weixin_41965898的博客

08-30

6211

在大场景三维点云语义分割算法中，RandLA是很有代表性的算法，而且很适合落地，奈何原论文代码的环境是python3.5+tensorflow1.11+cuda9，而cuda9是不能在新显卡RTX3090上跑通的。官方：https://github.com/QingyongHu/RandLA-Net 我对代码做了一些修改：提供了一些对预测结果的可视化方法；在cuda11.4上进行了复现，以支持3090显卡；对核心部分代码做了一些注释；在S3DIS数据集上进行了复现。我的代码：http

Ubuntu18.04/20.04复现算法RandLa-net 数据集S3DIS

Parkerfive的博客

03-14

1万+

原本打算先复现Pointnet++的，现在RandLA-net的性能吊打Pointnet++的清空下，先复现这个吧。在大场景三维点云语义分割算法中，RandLA-net是很有代表性的算法，而且很适合落，原论文代码的环境是python3.5+tensorflow1.11+cuda9，而cuda9是不能在新显卡RTX3080上跑通的。本片博客是在：在RTX 3090上复现点云语义分割算法RandLA-net_lucky li的博客-CSDN博客感谢指引，侵删。 ...

复现RandLA-Net网络，并训练自己的数据集

m0_51950734的博客

07-02

2393

在训练自己的数据之前，首先要针对数据预处理进行修改，因为官方提供的数据中，标签是以.label格式单独储存于独立文件中，而我在处理标签是直接作为一列储存在点云文件中。此外，由于官方数据时具有颜色的，而我的数据是未着色的，因此直接将颜色赋0.此外，main文件中的类定义也要修改，将分类标签改成自己数据所对应的，同时要将训练集和测试集的划分代码进行修改。此外，数据集的权重也要进行修改，因为我是进行单类别分割，因此只是将权值全部在设置为1.最后，按照正常的训练流程进行训练即可。具体的复现过程可参考前面发的博客。

RandLA-Net复现+网络总结（Pytorch版本）

zhendetaihaoyong的博客

10-17

591

从零开始进行RandLA-Net复现（从github下载代码开始）,内容主要分为运行代码+代码讲解

ubuntu20.04配置并复现RandLA-Net网络（非ROS）版本

weixin_63293091的博客

10-30

640

ubuntu20.04配置并复现RandLA-Net网络（非ROS）版本

PQ-NET: CVPR 2020论文PyTorch实现与数据预处理指南

资源摘要信息:"PQ-NET:2020年CVPR论文“PQ-NET”的代码库" PQ-NET论文主要关注的是在计算机视觉和图形学领域内对三维形状的理解与分析。代码库中包含了该论文提出的PQ-NET模型的PyTorch实现。PQ-NET模型针对3D形状...