开源框架PointNet 数据集结构——语义分割部分

要训练自己的数据，需要把自己的数据集做成PontNet所用数据集相似的结构。故记录本文以备忘

1. 论文中的描述

pointnet 应用分为三部分：点云分类（3D Object Classification），点云部分分割（3D Object Part Segmentation），语义分割（Semantic Segmentation in Scenes）。本文只解释语义分割部分的数据集。

论文中用的是Stanford 3D semantic parsing data set 这一数据集。数据集中包含用Matterport scanner 中扫描的3D 室内对象，这些对象来自于6个区域的271个房间，每个点都加上了13个语义标签（例如椅子，桌子，地板，墙等）中的1个。

按照房间来划分点集，然后将房间采样为1m×1m的块。对每个块预测其中每个点的语义标签。每个点由一个9-dim 向量表示，向量分量分别为：X, Y, Z, R, G, B,  normalized location as to the room (from 0 to 1)。训练时，在每个块中实时随机采样4096个点。测试时用所有的点。用k-fold方法来训练和测试。

2. 下载数据集

终端运行： $ sh download_data.sh

下载得到：indoor3d_sem_seg_hdf5_data 文件夹，里面由ply_data_all_0.h5 至ply_data_all_23.h5 共24个h5格式的数据文件，每个里面都有两个dataset：data 和 label。这24个文件共有23×1000+585=23585行，每行一个Block，每个Block有4096ge点，每点9个维度。

另外还有两个txt文件：all_files.txt 和 room_filelist.txt。前者保存24个数据文件名。后者有23585 行; 即对应每个Block是在哪个area的哪个room采集的