网络结构

使用说明

源代码：https://github.com/charlesq34/pointnet

1.数据集准备

(1)制作好的.h5文件(训练)

indoor3d_sem_seg_hdf5_data.zip
可用HDFView打开查看，快捷键 h5v
包含24个.h5文件，每个文件包含data、label数据
共23×1000+585=23585行，每行对应一个block(1m x 1m)，每个block有4096个点，每个点有9个维度(x,y,z,r,g,b,x’,y’,z’)及1个lable标签

(2)室内解析数据集(测试、可视化)

Stanford3dDataset_v1.2_Aligned_Version.zip
以.txt形式保存数据(x,y,z,r,g,b,l) 7个维度
训练时使用的.h5文件是解析数据集的一个子集，可完全由解析数据集生成

(3)准备自己数据集

输入类似解析数据集的格式 .txt

第一步:

collect_indoor3d_data.py 数据重组，转换为.npy文件

第二步：

gen_indoor3d_h5.py .npy—>.h5文件

2.训练

python train.py --log_dir log --test_area 6 (已经默认设置，可以直接运行train.py)
Area_1 数据用作测试集
p.s.: 训练数据集分为6个Area、272个room
indoor3d_sem_seg_hdf5_data/room_filelist.txt 中保存每一行(block)所属的Area、room
训练一轮（epoch），会将所有训练数据全用一次，训练会进行多轮

3.测试

python batch_inference.py (需要在命令行设置相关的几个参数)
还可借助该文件实现查看.npy数据范围(m2) ——> indoor3d_util.room2blocks_wrapper_normalized()方法
测试预测时，并不是每个点都会预测，会先计算坐标范围，划分为若干block，每个block取4096个点进行预测，会预测整数个batchsize(默认1)