论文:PointNet:DeepLearningonPointSetsfor3DClassificationandSegmentation代码:TensorFlow版Pytorch版基本模型架构：分别对每个点进行特征提取

pointnet中就用tf.nn.conv2d()，然后封装了一下，真的很麻烦，也没什么特殊，基本可以用tf.layers层次的API替代。

而基于三维体素的方法需要大量计算量，基于PointNet的方法需要冗长的预处理步骤，如计算曲面法线向量，分组时使用k-最近邻搜索。本文提出了一种新的基于无序点云的手势估计方法。

1.了解PointNet为了更好的复现这个东西我们需要先了解这个东西，先把原文给出的图片放在这里，之后我们再一点点理解。

目录1.pointnet1.1点云数据的特点1.2模型功能1.3网络结构1.3.1分类网络1.3.2分割网络2.pointnet++2.1模型2.2samplinglayer组件2.3groupinglayer2.4pointnet1

前言上次介绍了基于Point-Based方法处理点云的模块，3D目标检测（一）——基于Point-Based方法的PointNet点云处理系列,其中相关的模块则是构成本次要介绍的，直接在点云的基础上进行

3D目标检测（一）——PointNet，PointNet++，PointNeXt，PointMLP目录3D目标检测（一）——PointNet，PointNet++，PointNeXt，PointMLP前言零

文章目录一、点云特性二、网络结构三、关于T-Net的理解参考论文地址:PointNet:DeepLearningonPointSetsfor3DClassificationandSegmentationpointnet

点云相较来说容易获取且表达简单，PointNet就是一种点云的识别与分割的方法。

结果级融合在图像上进行2D检测，然后提升到3D空间生成3D提案，再通过PointNet进行边界框估计；提案级融合使用RoI池化操作在共享的提案内融合多模态特征。

在自己的电脑上运行Pointnet++（pytorch版本）时，6g显卡，batchsize设置成8报错尝试了https://blog.csdn.net/weixin_32393347/article/

本文针对PointNet++强大的三维点云分类功能，详细讲解怎么训练自己的数据集，在此之前，需要确保已经能够跑通源码的训练和测试，如果没有，请参考PointNet++的源码运行。

首先，从github上下载源码https://github.com/yanx27/Pointnet_Pointnet2_pytorch也可以从百度网盘下载链接：https://pan.baidu.com

基于pointNet++模型的个性化数据集训练测试及可视化[附源码]1.制作个性化数据集1.1分类点云数据1.1.1原数据集介绍1.1.2制作个性化数据集1.2记录点云数据的配置文件1.2.1原数据集介绍

将PointNet训练好的pth模型转换为ONNX模型，并基于C++的onnxruntime框架推理部署1.pth模型转onnx模型1.1将要转换的pth模型放到models目录下1.2新建模型转换的脚本文件

一、论文解读PointNet是第一个直接以三维点云作为输入的深度学习网络，点云的特点如下：#无序：无论点的顺序如何打乱，点云传达的内容不变。

classification如上图所示，由于直接export出的onnx文件有两个输出节点，不方便处理，所以编写脚本删除不需要的输出节点193：importonnxonnx_model=onnx.load("cls.onnx")graph=onnx_model.graphinputs=graph.inputforinputininputs:print('input',input.name)outp

在本教程中，我们将学习如何训练PointNet进行分类。我们将主要关注数据和训练过程；展示如何从头开始编码PointNet的教程位于此处。

按照时间顺序排列PointNet论文全称：DeepLearningonPointSetsfor3DClassificationandSegmentation会议名称：ComputerVisionandPatternRecognition

部分实现代码实验结果DistortedMNISTGermanTrafficSignRecognitionBenchmark(GTSRB)datasetSTN的作用之前参加过一个点云数据分类的比赛，主要借鉴了PointNet

  想自己制作数据集在PointNet++的partseg中训练试试效果，于是采集了一些数据进行标注。

训练出的pth权重文件转为onnx文件：importtorchimportpointnet_clspoint_num=1024class_num=10normal_channel=Falsemodel=pointnet_cls.get_model

PointNet提供了一种适用于处理三维无序点集的全新深度网络架构，避免

然而在跑PointNet++时，出现了下面的错误，我懵了，是代码的原因还是什么原因？位置D\...肯定是D盘了。OSError:[WinError1455]页面文件太小，无法完成操作。

项目场景：尝试运行votenetbaseline服务器环境：NVIDIARTX3090Pytorch1.8.1CUDA11.1问题描述在rundemo的时候尝试对pointnet2的一众cpp文件进行编译

今天在使用pytorch跑pointnet++的时候，出现了下面的问题：NoCUDAruntimeisfound,usingCUDA_HOME='/usr/local/cuda-10.0'/home/eric

继开创性的作品PointNet[46]和SparseConv[16]之后，文献中提出了一系列复杂的神经架构[47，34，11，24，66，38，102

目录一、数据处理二、点云生成三、PointNet++阶段1：通过动态图生成进行分组阶段2：邻居聚合四、网络架构五、训练程序在本教程中，您将学习使用图神经网络进行点云分类的基本工具。

学习完PointNet,当然要学习PointNet++了。

1、使用GPU和CPU的方法。y.cpu()使用CPU进行计算。y.cuda()，使用GPU进行计算。2、one-hotencode(独热编码)独热码是一组数，其中只有一个值为1，其余都是0。同样的，一组数中只有一个0，而其余都为1则称为独冷码。举例：如四类物品，标签为1，2，3，4.采用独热编码，一个标签对应一个编码：1：[1,0,0,0]2：[0,1,0,0]3：[0,0,1,0]4：[0,0

目录train_partseg.py这次是PointNet_part_seg的代码，与PointNet分类代码一样的部分就不在提及了。

PointNet系列代码复现详解(1)—PointNet分类部分_葭月甘九的博客-CSDN博客PointNet系列代码复现详解(2)—PointNet++part_seg_葭月甘九的博客-CSDN博客train_semseg.py

前言PointNet++是一个用于对不规则形状的点云数据进行分类和分割任务的深度神经网络。相对于传统的基于网格的3D数据表示方法，点云数据更易于获取和处理。

前言：最近在做一个项目，需要将pointnet++基于python3实现，尝试并成功，顺便记录下：pointnet++的python2版本改为python3版本，需要修改以下几个方面：tab和空格Python

pointNet是在三维点云上应用深度学习的鼻祖，因此复现pointnet++有一定的必要性，同时在后期的很多点云处理论文中，基本上都是在pointnet++基础上进行研究，因此熟悉pointnet++

复现流程1.通过github下载pointnet++的包;2.以分类为例，在pointnet2-master目录下新建data文件夹，将modelnet40_ply_hdf5_2048数据集解压到data

代码是来自github：GitHub-yanx27/Pointnet_Pointnet2_pytorch:PointNetandPointNet++implementedbypytorch(purepython

文章目录1.1激光雷达硬件平台1.2激光雷达原理1.3三维激光系统研发难点1.4点云应用方向1.5点云分类，点云分割，点云特征提取（pointnet++）1.6点云补全（PF-Net）1.7点云配准（RPM-Net

分类任务主文件train_classification.py源代码"""Author:BennyDate:Nov2019"""importosimportsysimporttorchimportnumpyasnpimportdatetimeimportloggingimportproviderimportimportlibimportshutilimportargparsefrompathlibi

2.1.1KinectFusion2.1.2BundleFusion2.1MVS三维重建2.2.1COLMAP2.2.2OpenMVS3点云三维重建3.13D点云任务3.2点云数据3.3特征提取3.3.1PointNet3.3.2PointNet

【点云笔记】3D深度学习的初步探索【PointNet,PointNet++,Geo-CNN】概述PPT概览PointNet,PointNet++,Geo-CNN论文PPT自动演示概述下面的PPT及演示是之前课程作业做的

PointNet的应用1.点云图像的分类（整片点云是什么物体）2.点云图像的部件分割（整片点云所代表的物体能拆分的结构）3.点云图像的语义分割（将三维点云环境中不同的物体用不同的颜色区分开）补充PointNet

PointNet实现第2步——数据集ModelNet40格式的理解本博文主要介绍modelnet40的各种格式区别。

跑PointNet,modelnet40数据集时;有些人直接用.off文件;——【CAD模型】普林斯顿形状Banchmark中的.off文件遵循以下标准：OFF文件全是以OFF关键字开始的ASCII文件

点云处理从最早期的手工设计特征，到之后渐渐有一些深度学习的尝试，经历了multi-view或者3D卷积等等的混沌时期，知道pointnet的横空出世，开始蓬勃发展，于是有了后来的pointnet++,DGCNN

目前存在的一些点云处理方法包括PointNet、PointNet++、PointCNN、KPConv等方法，或多或少都存在效率不高或是特征采样不足的情况，

参考博客：深度学习笔记----三维卷积及其应用（3DCNN,PointNet,3DU-Net）_YOULANSHENGMENG的博客-CSDN博客AComprehensiveIntroductiontoDifferentTypesofConvolutionsinDeepLearning

1引言PointNet和PointNet++成功实现point-base的3D点云分割。基于此，更多point-base的方法提出，这些方法普遍是对PointNet和PointNet++的改进。

PointNet++《PointNet++：DeepHierarchicalFeatureLearningonPointSetsinaMetricSpace》PointNet++是继PointNet之后的又一篇

代码链接作者思考及论文动机个人的一些碎碎念  其实PVCNN这篇论文十分好理解，采用的模型也十分简单，就是通过卷积的方法去提取局部特征，然后通过插值进行上采样，最后将上采样的特征直接concat到点云原始特征，之后就是pointnet