Relation Shape CNN

Beziehungsförmiges Faltungs-Neuronales Netzwerk für die Punktwolkenanalyse

Dieses Repository enthält die Implementierung des Autors in Pytorch für den Artikel:

Beziehungsförmiges Faltungs-Neuronales Netzwerk für die Punktwolkenanalyse [arXiv] [CVF]
Yongcheng Liu, Bin Fan, Shiming Xiang und Chunhong Pan
CVPR 2019 Oral & Best Paper Finalist Projektseite : https://yochengliu.github.io/Relation-Shape-CNN/

Zitat

Wenn unser Artikel für Ihre Forschung hilfreich ist, denken Sie bitte darüber nach, Folgendes zu zitieren:

        @inproceedings { liu2019rscnn ,   
            author = { Yongcheng Liu and    
                            Bin Fan and    
                      Shiming Xiang and   
                           Chunhong Pan } ,   
            title = { Relation-Shape Convolutional Neural Network for Point Cloud Analysis } ,   
            booktitle = { IEEE Conference on Computer Vision and Pattern Recognition (CVPR) } ,    
            pages = { 8895--8904 } ,  
            year = { 2019 }   
        }   

Verwendung: Vorbereitung

Erfordernis

• Ubuntu 14.04
• Python 3 (empfehlen Anaconda3)
• Pytorch 0,3.*/0,4.*
• CMake > 2.8
• CUDA 8.0 + cuDNN 5.1

Kernel bauen

 git clone https://github.com/Yochengliu/Relation-Shape-CNN.git 
cd Relation-Shape-CNN

• mkdir build && cd build
• cmake .. && make

Datensatz

Formklassifizierung

Laden Sie ModelNet40 (415 MB) herunter und entpacken Sie es. Ersetzen Sie $data_root$ in cfgs/config_*_cls.yaml durch den übergeordneten Pfad des Datensatzes.

ShapeNet-Teilesegmentierung

Laden Sie ShapeNet Part (674M) herunter und entpacken Sie es. Ersetzen Sie $data_root$ in cfgs/config_*_partseg.yaml durch den Datensatzpfad.

Verwendung: Training

Formklassifizierung

 sh train_cls.sh

Sie können relation_prior in cfgs/config_*_cls.yaml ändern. Wir haben im cls Ordner ein Single-Scale-Neighborhood-Klassifizierungsmodell trainiert, dessen Genauigkeit 92,38 % beträgt.

Segmentierung von Formteilen

 sh train_partseg.sh

Wir haben ein Multi-Scale-Neighborhood-Teilsegmentierungsmodell im seg -Ordner trainiert, dessen Klassen-mIoU und Instanz-mIoU 84,18 % bzw. 85,81 % betragen.

Verwendung: Bewertung

Formklassifizierung

 Voting script: voting_evaluate_cls.py

Sie können unser Modell cls/model_cls_ssn_iter_16218_acc_0.923825.pth als Prüfpunkt in config_ssn_cls.yaml verwenden und nach dieser Abstimmung erhalten Sie eine Genauigkeit von 92,71 %, wenn alles richtig läuft.

Segmentierung von Formteilen

 Voting script: voting_evaluate_partseg.py

Sie können unser Modell seg/model_seg_msn_iter_57585_ins_0.858054_cls_0.841787.pth als Prüfpunkt in config_msn_partseg.yaml verwenden.

Lizenz

Der Code wird unter MIT-Lizenz veröffentlicht (Einzelheiten finden Sie in der LIZENZ-Datei).

Anerkennung

Der Code ist stark von Pointnet2_PyTorch entlehnt.

Kontakt

Wenn Sie Ideen oder Fragen zu unserer Forschung haben, die Sie uns mitteilen möchten, wenden Sie sich bitte an [email protected]