RandLA-Net-Enhanced:RandLA-Net改进版

<!-- * @Description: * @Author: HCQ * @Company(School): UCAS * @Date: 2020-05-24 12:25:19 * @LastEditors: HCQ * @LastEditTime: 2020-05-24 12:58:13 --> # RandLA-Net-Enhanced 原代码论文主要贡献：提出更快的点云语义分割模型。 * 对比现有的采样方法，发现随机采样最好。 * 为了减小随机采样丢失的信息，提出局部特征采样器，包括 Local Spatial Encoding (LocSE) 和 Attentive Pooling。 下为此代码对应文献信息。 ```latex @article{hu2019randla, title={RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds}, author={Hu, Qingyong and Yang, Bo and Xie, Linhai and Rosa, Stefano and Guo, Yulan and Wang, Zhihua and Trigoni, Niki and Markham, Andrew}, journal={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition}, year={2020} } ``` 此代码基于[https://github.com/QingyongHu/RandLA-Net](https://github.com/QingyongHu/RandLA-Net)优化 优化参与人员：@Junqi Diao， @Chuanqing Zhuang，@Guangtian Shi， @Yidi Li，@Chongqing Huang ## 项目结构 项目结构如下  ### 重点文件说明 | **文件** | **作用** | | --- | --- | | helper_tf_util.py | 封装了一些卷积池化操作代码 | | helper_tool.py | 有训练时各个数据集所用到的一些参数信息，还有一些预处理数据时的一些模块。 | | main_SemanticKITTI.py | 训练对应数据的主文件 | | RandLANet.py | 定义网络的主题结构 | | tester_SemanticKITTI.py | 测试对应数据的文件，该文件在main_SemanticKITTI.py中被调用 | | utils | 该文件夹里面有对数据集预处理的模块以及KNN模块。 | ### ☆Tips - `jobs_test_semantickitti.sh` **在测试集上评估时，会在result文件夹中日期最近的文件夹内根据checkpoint记录寻找模型参数文件** ## 重点说明   压缩包下面有**四个文件夹分别对应报告中第三部分的四处尝试优化点**，下表为不同文件夹对应的优化点： | **文件夹** | **优化点** | | --- | --- | | RandLA-Net-[4,4,4,2,2] | 使用五层网络的下采样优化 | | RandLA-Net-[4,4,4,4,2] | 使用五层网络的下采样优化 | | RandLA-Net-normals | 增添法向量估计 | | RandLA-Net-square | 使用内积替换欧式距离 | 下面代码安装和运行方式步骤中，1-3步为通用步骤，**4-6步进入每个文件夹下都要对应执行一次。** ## 代码安装&运行方式 配置环境：Python 3.5, Tensorflow 1.11, CUDA 9.0 and cuDNN 7.3.1 on Ubuntu 16.04. ### 1. 仓库clone ```powershell git clone --depth=1 https://github.com/HuangCongQing/RandLA-Net-Enhanced && cd RandLA-Net-Enhanced ``` ### 2. python运行环境配置 ```powershell conda create -n randlanet python=3.5 source activate randlanet conda install cudatoolkit=9.0 cudnn=7.3.1 pip install -r helper_requirements.txt sh compile_op.sh pip install tensorflow-gpu==1.11 ``` ### 3. SemanticKITTI数据集下载   下载链接：[http://semantic-kitti.org/dataset.html#download](http://semantic-kitti.org/dataset.html#download) 下载内容包含下图中4个文件包。下载完成后，并将其解压至`/data/semantic_kitti/dataset`  ### 4. 数据集预处理 ```powershell python utils/data_prepare_semantickitti.py ```   ### 5. 模型训练 ```powershell python main_SemanticKITTI.py --mode train --gpu 0 ```   ### 6. 模型测试 ```powershell sh jobs_test_semantickitti.sh ```