点云语义分割:使用Cylinder3D训练SemanticKITTI数据集

1. 背景引入 分割概念 语义分割：对图像中每个像素或点云的每个点都划分出对应的类别 实例分割：实例分割是物体检测+语义分割的综合体。相对物体检测的边界框，实例分割可精确到物体的边缘；相对语义分割，实例分割可以标注出图上同一物体的不同个体（羊1，羊2，羊3...） siamese network  两张图片做分类的话，同一类在 feature space 里面很相近，不同类就是在 fea...

点云分割是根据空间，几何和纹理等特征对点云进行划分，使得同一划分内的点云拥有相似的特征，点云的有效分割往往是许多应用的前提，例如逆向工作，CAD领域对零件的不同扫描表面进行分割，然后才能更好的进行空洞修复曲面重建，特征描述和提取，进而进行基于3D内容的检索，组合重用等。 案例分析 用一组点云数据做简单的平面的分割： planar_segmentation.cpp #include <ios...

https://shapenet.cs.stanford.edu/ericyi/shapenetcore_partanno_segmentation_benchmark_v0.zip

S3DIS（Stanford 3D Indoor Spaces Dataset）是一个常用的室内场景理解和三维语义分割数据集。它包含多个室内建筑物的点云数据和详细的语义标签。一些重要信息：（1）该点云是与x轴和y轴已经对齐好的；（2）该点云单个房间大概在几百万规模，整个区域的规模大概在千万。

Cylinder3D论文解读及代码略解论文解读AbstractIntroductionRelated work室内点云分割室外点云分割3D体素划分Methodology(本文方法)Cylindrical PartitionAsymmetrical 3D Convolution NetworkAsymmetrical Residual BlockDDCMPoint-wise Refinement Module目标函数实验部分Dataset and Metricsemantic KITTI：nuScenes：E

网站链接： http://www.semantic3d.net/view_dbase.php?chl=1   虽然PointCNN的论文中是没有这块实验的，但是在github上，作者做了实验，代码也都发出来了。   Semantic3D是户外场景点云数据库，为什么要介绍这个数据库呢？ 因为我们使用‘户外场景’的数据做实验，这种论文能投的期刊范围会更广一些。比如遥感类的期刊，就很喜欢这种...

这里我使用的模型是基于PointGroup模型改进的SoftGroup模型，因为语义分割的结果导会影响实例结果，它对原有模型中语义分割中预测类别不准确问题进行改进的。原有模型中，点对点预测类别是一对一关系，但这个模型允许一个点预测多个类别，来减轻语义预测时候导致预测不准确的问题。在本文中，我使用Softgroup官方代码训练自己的数据，这里以一个植物的开源数据集为例，从0到1的过程。

ShapeNet 是一个广泛使用的三维形状理解和分析的数据集，用于学术研究和计算机视觉任务。它是一个大规模的、多类别的三维模型数据库，包含了大量的三维模型。（需要注意的是该数据集每个类别的点云数据规模都很小，大概在2000多个点左右。类别丰富：ShapeNet 数据集涵盖了数十个常见物体类别，如椅子、汽车、飞机、人体等。每个类别都有大量的三维模型与之对应。三维模型：每个模型由一组顶点和面构成，并包含了模型的几何信息和拓扑结构。

我这里总体介绍能满足语义和实例分割任务的数据集标注方式，但其中没有想其他介绍的对点云加标签，我这里是主要减少标注过程中操作，利用文件名约束，最后通过程序来转化成具体用什么框架和什么任务的数据集。

之前写的blog文章使用Softgroup官方自带的S3DIS配置文件，数据集格式和Dataset文件训练数据集，训练起来会方便些，但是自己训练数据集会处理这些操作，本文主要解决这个目的。，下面主要是根据自己数据集进行修改，还有训练参数大家根据自己电脑的性能进行修改就行。每个标注的文件格式，共有6维分别前3个xyz三维坐标，后3个相应点的RGB信息。文件中，这里需要修改3处，根据原有的格式进行修改就行。下面展示的是下载下来的文件结构，下面根据文件的格式。这里看到我们的数据集加载出来了，是我们数据集的个数。

编辑|深蓝前沿点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取后台回复【数据集下载】获取计算机视觉近30种数据集！引言点云分割是根据空间、几何和纹理等特征对点云进行划分，使得同一划分内的点云拥有相似的特征。点云的有效分割是许多应用的前提，例如在三维重建领域，需要对场景内的物体首先进行分类处理，然后才能进行后期的识别和重建。传统的点云分割主要依赖聚类算法和基于随机采样一致性的分...

介绍了几种点云大场景数据集以及文章出处

众所周知，点云的有效分割是许多应用的前提，例如在三维重建领域，需要对场景内的物体首先进行分类处理，然后才能进行后期的识别和重建。传统的点云分割主要依赖聚类算法和基于随机采样一致性的分割算法，在很多技术上得到了广泛应用，但当点云规模不断增大时，传统的分割算法已经很难满足实际需要，这时就需要结合深度学习进行分割。因此，本文将重点介绍5种前沿的点云分割网络，包括PointNet...