S3DIS场景点云数据集_腾阳山泥若的博客

Stanford3dDataset_v1.2_Aligned_Version和Stanford3dDataset_v1.2

Stanford3dDataset_v1.2_Aligned_Version和Stanford3dDataset_v1.2都是完整的场景数据集，每个点包含6个维度（x,y,z,r,g,b），数据集大概长这样，每个文件夹表示一个Area

Area_1进去之后是这样，每个Area包含了不同的场景（会议室、走廊等），例如Area_1包含45个，Area_2包含41个，所有Area一共有278个场景

进入conferenceRoom_1是这样，conferenceRoom_1.txt是这个场景下所有点的xyz和rgb值，例如conferenceRoom_1.txt为 1136617 x 6 大小的矩阵，Annotations则为标注信息，进去之后是下一张图的样子，每个txt文件包含了不同类别（共13个类别）的点位置及其RGB颜色

indoor3d_sem_seg_hdf5_data

indoor3d_sem_seg_hdf5_data是将场景切割成 1m x 1m 的block，每个block包含4096个点，每个点有9个维度，前6个维度和上面的一样，后3个维度表示相对于所在大场景的位置（归一化坐标），一共有23585个block。

数据大概长这样， all_files.txt 记录了所有h5文件的名字， ply_data_all_i.h5 包含了不同block的点云，其中0~22的每个h5文件包含了1000个block，即每个h5文件为 1000 x 4096 x 9 的点云及 1000 x 4096 的点标注，23包含了585个block，因此一共有23585个block。
在这里插入图片描述
room_filelist.txt 则包含了每个block所属的Area和场景，如下，共23585行

参考 https://blog.csdn.net/zhulf0804/article/details/108609629

S3DIS是常用的室内场景分割数据集，包含6个Area，常用的数据格式如下：Stanford3dDataset_v1.2_Aligned_Version，百度网盘下载，提取码0acsStanford3dDataset_v1.2，百度网盘下载，提取码2hc9indoor3d_sem_seg_hdf5_data，下载方法见PointNetStanford3dDataset_v1.2_Aligned_Version和Stanford3dDataset_v1.2Stanford3dDataset_v1

文章目录一、数据准备1.1、数据下载二、训练三、测试项目地址:pointnet 此次我们是用pointnet网络来做语义分割。代码在pointnet项目中的sem_seg文件夹下，里面也有README.md介绍了训练的过程。一、数据准备 1.1、数据下载原始数据下载处理好的h5格式数据下载 ubuntu16.04 双显卡nvidia gtx1080/quadro M4000 anaconda3创建虚拟环境 python=3.7 cuda10.0 cudnn7.65 tensorflow-gpu1.14 安装命令 ——>pip install -i https://pypi.mirrors.ustc.edu.cn/simple/ tensorflow-gpu==1.14.0 这里主要是pointnet的语义分割代码

在处理S 3D IS的txt文件时候会遇到几个bug. 在Stanford 3d Dataset_v1.2这个版本中的Area_5\office_19\ceiling_1，路径如下 \S 3D IS\Stanford 3d Dataset_v1.2\Area_5\office_19\Annotations\ceiling_1.txt 会存在字符串，导致代码老是出错，经过查找发现在323474行，需要手动删除在Stanford 3d Dataset_v1.2_Aligned_Version这个版本中也会遇到bug

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 S 3D IS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》

S 3D IS是一个大型的 3d 室内 数据集 ，关于它的介绍网上很多了。它主要是由xyz+rgb+法向量 9个特征和一个标签组成的，长度为10的向量。由于这个 数据集 比较大，不利于训练，PointNet++训练之前会将它进行预处理，划分为1mx1m的区域，然后再放入网络进行训练。下面是关于它的代码分析，这个 数据集 运行的前提是，你已经按照PointNet++的readme运行了collect_indor 3d _data，将txt文件转换为了.npy文件 class S 3D ISDataset(Dataset): 天花板ceiling、地板floor、墙壁wall、梁beam、柱column、窗window、门door 桌子table、椅子chair、沙发sofa、书柜bookcase、板board、混杂元素（其他）clutter 11种场景：【单文件的名称】办公室、会议室、..

Pointnet的网络结构和源码解释，已在之前写了次总结，本次主要针对论文中的 数据集 以.h5为TensorFlow的输入格式进行解释，记录如何制作H5文件，以提供给TensorFlow，PyTorch框架中进行训练。首先，Pointnet一文中针对3个不同的任务使用到了三个 数据集 ，分别为：点云分类（ 3D Object Classification）——ModelNet40，下载命令在provider.py中，运行pyt

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。解决方法：具体可参考官方文档 https://docs.amazonaws.cn/cli/latest/userguide/cli-services-s3-commands.html 比较详细的博文 https://blog.csdn.net/DynastyRumble/article/details/76649120 大致步骤为： 1. 创建亚马逊账号，创建用户，获得ID和密匙注意如果直接注册服务器的账号，需要使用国外信用卡，但是可以先注册亚马逊（购物）的账号，再用于云服务，就不需要国外信用卡了 2. 安装 aws

matlab集成c代码 S 3D IS 数据集 解析 S 3D IS 数据集 是斯坦福大学开发的带有像素级语义标注的语义 数据集 ，包含了rgb，depth， 3d 点云、mesh等。 github：还原点云数据有多种方式，可以通过直接解析自带的mat文件进行解析，也可以通过合成rgb和深度图进行解析。本文以Area_1数据为例。 1.直接解析pointcloud.mat文件 数据集 自带的mat文件包含了每一label的点云坐标、rgb，标注、物体体积、是否占有能属性组成。数据结构如下：该mat文件包含一个struct结构体，结构体又往下分级。可以用python直接解析该mat文件，本人对python不太熟悉，因此最后采用了将该mat文件转化为json脚本的形式，通过c++进行解析。通过matlab解析json非常简单，只需要下载安装一个插件JSONlab，对应链接：添加到matlab的toolkit文件加中，再将路径添加进行即可。matlab程序如下： load('pointcloud.mat') name_ALL Area_1.Disjoint_Space;

就目前来看，找到一个特定的 数据集 来解决各种机器学习问题，甚至进行实验还是比较困难的。这些机器学习 数据集 不仅包含用于实验的大型 数据集 ，还附带对 数据集 的描述以及使用示例。有的还包含用于解决与该 数据集 相关机器学习问题的算法代码。话不多说，上 数据集 ！ Kaggle 数据集 每个 数据集 都是一个小型社区，用户可以在其中讨论数据、查找公共代码或在内核中创建自己的项目。包含各式各样的真实 数据集 。用户还可以看到与每个 数据集 相关的“内核”，许多数据科学家还提供了相关手册来分析 数据集 。 Amazon 数据集 该数据源包含多个不同领域的 数据集 ，如：公共交通、生态资源、卫星图像等。网页中也有一个搜索框来帮助用户寻找想要的 数据集 ，还有所有 数据集 的描述和使用示例，这些 数据集 信息丰富且易于使用！ 数据集 存储在Amazon Web Services (AWS)资源中，比如Amazon S3——云中的一个高度可伸缩的对象存储服务。如果用户正在使用AWS进行机器学习实验和开发，这将非常方便，由于它是AWS网络的本地数据，因此 数据集 的传输将非常快。 UCI机器学习资源库另一个来自加州大学信息与计算机科学学院的大型

（1）发布预训练的语义分割模型，其中PointNet ++可以达到53.5％的mIoU。（2）在log/发布用于分类和零件细分的预训练模型。 2021/03/20：更新分类代码，包括：（1）添加用于训练ModelNet10 数据集 的代码。使用--num_category 10设置。（2）添加仅在CPU上运行的代码。使用--use_cpu设置。（3）添加用于离线数据预处理的代码，以加快培训速度。使用--process_data设置。（4）添加用于统一采样的训练代码。使用--use_uniform_sample设置。 2019/11/26：（1）修复了先前代码中的一些错误，并添加了数据增强技巧。现在仅按1024点分类就可以达到92.8％！

S 3D IS 数据集 解析为点云 S 3D IS 数据集 解析数据格式1.直接解析pointcloud.mat文件2.通过data文件夹中的pose合成rgb和depth 个人解析代码GitHub：https://github.com/ybgdgh/s 3d is_semantic S 3D IS 数据集 解析 S 3D IS 数据集 是斯坦福大学开发的带有像素级语义标注的语义 数据集 ，包含了rgb，depth， 3d 点云、mesh等。...

Unable to determine the device handle for GPU 0000:04:00.0: GPU is lost. Reboot the system to recov 哮着写代码: 第二条对我好使，谢谢 cuda10.1 + py3.7 + torch1.7.1 安装MinkowskiEngine weixin_45014187: g++ error 无法编译出.o文件怎么办？