文件名称：Learning-to-Segment-3D-Point-Clouds-in-2D-Image-Space
文件大小：426KB
文件格式：ZIP
更新时间：2024-05-04 00:29:55
Python
学习在2D图像空间中分割3D点云 概述 与通过定制卷积算子捕获3D点云中的局部模式的文献相反，本文研究了如何有效地将此类点云投影到2D图像空间中的问题，从而使传统2D卷积神经网络（CNN） ）（例如U-Net）可用于细分。 为此，我们受到图绘制的激励，并将其重新构造为整数编程问题，以学习每个单个点云的拓扑保留图到网格映射。 为了在实践中加快计算速度，我们进一步提出了一种新颖的分层近似算法。 借助Delaunay三角剖分从点云构建图以及使用多尺度U-Net进行分割，我们设法分别在ShapeNet和PartNet上展示了最新的性能，与文献相比有了很大的改进。 注意 非常遗憾，提交后我们丢失了CVPR 2020代码。 该存储库是转载的作品，我们发布了一个预训练的网络模型，其实例平均数为88.0％，类平均数为86.5％。 更新的ArXiv预印本可。 Conda环境设置 conda create -
【文件预览】：
Learning-to-Segment-3D-Point-Clouds-in-2D-Image-Space-master
----.gitignore(43B)
----S1_network_dataset_combination.py(2KB)
----requirements.txt(73B)
----fun_provider.py(3KB)
----ShapeNet_result.png(84KB)
----ShapeNet_table.png(111KB)
----S3_network_testing.py(4KB)
----LICENSE(1KB)
----S4_visulization.py(2KB)
----S1_network_dataset_preparation.py(5KB)
----fun_GPGL.py(6KB)
----S2_network_training.py(3KB)
----ShapeNet_result0.png(115KB)
----README.md(3KB)
----S0_download_data.sh(235B)
----ShapeNet_result1.png(115KB)
----PartNet()
--------PartNet_train_testing.py(5KB)
--------ReadMe.md(1KB)
--------data_preparation_training_testing.py(7KB)
--------fun_GPGL_partnet.py(6KB)
----fun_network.py(4KB)