一、平台Windows10GPURTX3090+CUDA11.1+cudnn8.9.6Python3.9Torch1.9.1+cu111所用的原始代码：https://github.com/yanx27/Pointnet_Pointnet2_pytorch二、数据Stanford3dDataset_v1.2_Aligned_Version三、代码分享给有需要的人，代码质量勿喷。对源代码进行了简化和

定义datasettrain_data=S3DIS(split='train',data_root=args.data_root,test_area=args.test_area,voxel_size=

S3DIS(StanfordLarge-Scale3DIndoorSpacesDataset)是斯坦福大学提供的大场景室内3D点云数据集，包含6个教学和办公Area，总共有695,878,620个带有色彩信息以及语义标签的

在处理S3DIS的txt文件时候会遇到几个bug.在Stanford3dDataset_v1.2这个版本中的Area_5\office_19\ceiling_1，路径如下\S3DIS\Stanford3dDataset_v1.2

目录标题1.环境搭建2.训练1.环境搭建ubuntu16.04双显卡nvidiagtx1080/quadroM4000anaconda3创建虚拟环境python=3.7cuda10.0cudnn7.65tensorflow-gpu1.14安装命令——>pipinstall-ihttps://pypi.mirrors.ustc.edu.cn/simple/tensorflow-gpu==1.14.0

文章目录一、点云数据格式二、点云分割三、点云加标签四、点云合并五、保存数据一、点云数据格式以S3DIS数据集为例。

-CSDN博客_语义分割oahttps://blog.csdn.net/qq_27816785/article/details/125833556首先进行评测指标的学习，数据集有semantic3d，S3DIS

最近了解了一篇目前点云语义分割在S3DIS数据集上效果最好的一篇文章（PointNeXt），这篇文章在局部特征提取部分采用的是PointNet++的提取方式，基本没有改变。

之前的文章介绍了在tensorflow2.0环境下使用RandLA-Net训练Semantic3D数据集，这里我们记录一下如何在在tensorflow2.0环境下使用RandLA-Net训练S3DIS数据集

前言论文：https://arxiv.org/abs/1911.11236github：https://github.com/QingyongHu/RandLA-Net本文章以运行S3DIS数据集为例.

之前有一篇文章写了如何复现Semantic3D数据集，现在给大家分享一下SemanticKITTI和S3DIS数据集的复现，其实复现过程和Semantic3D数据集类似，虽然数据集不同，但是都是在相同的虚拟环境下进行训练

S3DIS环境安装：[https://blog.csdn.net/Parkerfive/article/details/123431266]参考：在RTX3090上复现点云语义分割算法RandLA-netUbuntu18.04

从零开始点云语义分割:RandLANet教程一、准备工作1.1、深度学习知识1.2、点云操作二、公开数据集测试3.1、Semantic3D3.2、S3DIS三、论文阅读四、源码解读五、训练自己的数据集六

例如，在用于大规模语义场景分割的具有挑战性的S3DIS数据

1数据介绍测试程序仍然使用S3DIS数据集，测试数据处理流程与上一节的训练数据处理流程基本一致，请参考三维点云语义分割—PointNet++详

Mmdetection3d集成了大量3D深度学习算法，其中很大一部分可以在室内三维数据集S3DIS上运行。本节重点介绍S3DIS数据集及其在mmdetection3d中的预处理程序。

DeepHierarchicalFeatureLearningonPointSetsinaMetricSpaceCharlesR.QiLiYiHaoSuLeonidasJ.GuibasStanfordUniversity上一篇文章介绍了PointNet以及相应的pytorch代码实现，在S3DIS

文章目录一、数据预处理二、训练三、测试四、6折交叉验证tensorflow版本的pointnet++没有关于S3DIS数据集训练代码，我尝试参考ScanNet的训练代码改写成训练S3DIS数据集，结果很差

前言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（3DObjectClassification）——ModelNet40，下载命令在provide

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

S3DIS数据集解析为点云S3DIS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

重要说明多用于室内点云的语义分割和实例分割（每个柱子桌椅等都是分开标注的）6个区域：【目录名称】Area1、Area2、Area3、Area4、Area5、Area613个语义元素：【annotation的类别】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、

一、数据准备1.1、数据下载原始数据下载，S3DIS有6个地区的数据。处理好的h5格式数据indoor3d_sem_hdf5_data.zip下载，这个是作者处理

S3DISDataset@数据集下载官方：https://drive.google.com/drive/folders/0BweDykwS9vIoUG5nNGRjQmFLTGM?resourcekey=0-dHhRVxB0LDUcUVtASUIgTQStanford3dDataset_v1.2_Aligned_Version官方下载链接：https://drive.google.com/file/

原本打算先复现Pointnet++的，现在RandLa-net的性能吊打Pointnet++，先复现这个吧，Pointnet++以后再做。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是不能在显卡RTX3080上跑通的。环境搭建：Ubuntu18.04复现RandLA

3.数据集：S3DIS/Modelnet40S3DIS：是一个大型的3D点云室内数据集。Modelnet40：下载网址PrincetonM

环境：ubuntu20.04，gcc和g++都是7.5，cuda是11.3，显卡3090创建虚拟环境：python=3.7，离线安装torch=1.8.0，torchision=0.9.0（torch不要超过1.12.1我的编译时报错）安装torch=1.8.0（兼容性稍微好点）是因为torch.points3d这些库的要求，也可以使用作者用的torch1.7.1，cuda10.1，我的torch

1.整体介绍S3DIS是一个大型的3d室内数据集。

#PointTransformer#PointTransformer自注意力网络已经彻底改变了自然语言处理，并在图像分类和目标检测等图像分析任务中取得了不错的进展。基于以上工作成功的启发，作者研究了自注意力网络在3D点云处理中的应用。为点云设计了自注意力层，并利用这些自注意力层来构建自注意力网络，用于诸如语义场景分割、物体部分分割和物体分类等任务。PointTransformer的设计改进了之前跨

随着之后的使用，可能会有一些补充indoordatasetsNYUV2[5],S3DIS[6],ScanNet[7]andoutdoordatasetsSemantic.3D[8],KITTI[9],vKITTI

（注：github上回答s3dis数据集直接用于pointnet++的效果可能并不好的问题，说可能是s3dis采用的9通道信息，后六

一些例子：数据集：室外稠密(S3DIS)室内稀疏

S3DISOurdatasetiscomposedoffivelarge-scaleindoorareasfromthreedifferentbuildings,eachcoveringapproximately1900,450,1700,870and1100squaremeters(totalof6020squaremeters).Theseareasshowdiversepropertiesi