本帖最后由 tmx 于 2018-4-26 10:58 编辑
测试阶段：
1.数据准备：
室内场景以会议室为参考对象，有桌子，椅子，地板，天花板，灯，书柜，墙，玻璃窗户
pointnet中的室内场景数据有：
天花板，地板，墙，灯，圆柱，窗户，门，桌子，椅子，沙发，书柜，黑板
因此所准备的数据是符合pointnet的数据要求
如图所示：
2.裁剪室内场景每个零件（meshlab裁剪）
第一个箭头和第二个箭头分别是曲线裁剪和方块裁剪，交互一起裁剪，把每个零件的点都覆盖住，然后点files -> selection ->
Inver selection ,随后去掉√invert faces，点apply all，随后在project界面右键点move selected vertives to another layer，可以得到被裁剪后的零件数据和除这个零件外的场景数据。裁剪各个零件的数据如图所示：
以上就是这些，剩下的跟这些一样，文件太多，就不一一上传了。
然后裁剪完毕，保存为ply数据，随后可把ply数据导进cloudcompare，保存为txt数据，去掉一些头文件和除xyzRGB的其他的值，整个txt数据只有XYZRGB，每一行是xyzRGB。
3.数据对应的标签：
天花板: [0,255,0], #绿色
地板: [0,0,255], #蓝色
墙: [0,255,255],#青蓝
灯: [255,255,0],#黄色
圆柱: [255,0,255],#粉红色
窗户: [100,100,255],#深蓝
门: [200,200,100],#脏黄
桌子: [170,120,200],#紫色
椅子: [255,0,0], #红色
沙发: [200,100,100],#红色
书柜: [10,200,100],#深绿
黑板: [200,200,200],#灰色
不在这些类的: [50,50,50]} #黑色
4.将这些类的数据和颜色标签保存为npy格式，并将数据进行归一化，并把颜色和类放在一个字典里。
归一化：
xyz_min = np.amin(data_label, axis=0)[0:3]
data_label[:, 0:3] -= xyz_min
字典：
'1'：天花板
'2'：地板
'3': 桌子
...........
5.测试输入：python batch_inference.py --model_path log6/model.ckpt --dump_dir log6/dump --output_filelist log6/output_filelist.txt --room_data_filelist meta/area6_data_label.txt --visu
model_path:作者已经训练好的模型，log6是第6个类型的模型，如果想用整个模型，直接调用log即可，dump是将输出的文件保存在当前dump目录，output_filelist是输出文件目录的路径 meta是npy格式数据的目录
6.测试结果：
左一是原始数据，右一是pointnet分割后的结果
eval mean loss: 14.068614
eval accuracy: 0.161790
all room eval accuracy: 0.161790
可以看出分割效果并不是很好，天花板和灯虽然能够分割，但是分割的并不完全，桌子和椅子也没有很准确的分开，其他也是。
7.总结：
1.pointnet作者提到是初试版本，可能不具备泛化性，pointnet++并没有测试，后续会更新pointnet++的测试结果和部署。
要么重新训练，将作者的权重初始化，并用在自己的数据重新训练，并根据自己的训练数据改变FC层的参数。
2.迁移学习，目前在学习，不知效果如何，后续会更新，未完待续。
3.数据问题，可能是数据不是真值的缘故，导致效果不是很好，数据的问题本人还没有彻底弄懂，打算下一步工作仔细看论文，并做总结，后续会更新。
综合所述：本人所作所学习的还有很多理解问题，之后会补上更新一些问题
|
|小黑屋|点云技术相关产学研社区
( 陕ICP备13001629号 )
发表于 2017-8-7 13:49:17
楼主
