DGCNN.pytorch

[中文版]

This repo is a PyTorch implementation for Research on Pooling Methods for 3D Point Cloud. Our code skeleton is borrowed from Antao97/dgcnn.pytorch.

Note that we did not implement T-Net in all our models.

 

 

Tip: The result of point cloud experiment usually faces greater randomness than 2D image. We suggest you run your experiment more than one time and select the best result.

 

Requirements

• Python 3.7
• PyTorch 1.2
• CUDA 10.0
• Package: glob, h5py, sklearn

 

Contents

• Point Cloud Classification
• Point Cloud Part Segmentation
• Point Cloud Semantic Segmentation

 

Global Description Guided Pooling

Classification

ModelNet40

• train

python main_cls.py --exp_name=GDP_M40 --model pointnet/dgcnn --base_dir /path/to/data --pool GDP --cd_weights 0.01

• eval

python main_cls.py --eval True --exp_name=GDP_M40.eval --model pointnet/dgcnn --base_dir /path/to/data --pool GDP --cd_weights 0.01 --model_path /path/to/model

ScanObjectNN

• train

python main_scan.py --exp_name=GDP_scan --base_dir /path/to/data --pool GDP --cd_weights 0.01

• eval

python main_scan.py --eval True --exp_name=GDP_scan.eval --base_dir /path/to/data --pool GDP --cd_weights 0.01 --model_path /path/to/model

Segmentation

ShapeNetPart

• train

python main_part.py --exp_name=GDP_part --base_dir /path/to/data --pool GDP --cd_weights 0.01

• eval

python main_part.py --eval True --exp_name=GDP_part.eval --base_dir /path/to/data --pool GDP --cd_weights 0.01 --model_path /path/to/model

S3DIS

You have to download Stanford3dDataset_v1.2_Aligned_Version.zip manually from https://goo.gl/forms/4SoGp4KtH1jfRqEj2 .

• train

python main_sem.py --exp_name=GDP_sem --base_dir /path/to/data --pool GDP --cd_weights 0.01

• eval

python main_sem.py --eval True --exp_name=GDP_sem.eval --base_dir /path/to/data --pool GDP --cd_weights 0.01 --model_path /path/to/model

Random Pooling

Classification

ModelNet40

• train

python main_cls.py --exp_name=RDP_M40 --model pointnet/dgcnn --base_dir /path/to/data --pool RDP 

• eval

python main_cls.py --eval True --exp_name=RDP_M40.eval --model pointnet/dgcnn --base_dir /path/to/data --pool RDP --model_path /path/to/model

ScanObjectNN

• train

python main_scan.py --exp_name=RDP_scan --base_dir /path/to/data --pool RDP 

• eval

python main_scan.py --eval True --exp_name=RDP_scan.eval --base_dir /path/to/data --pool RDP --model_path /path/to/model

Segmentation

ShapeNetPart

• train

python main_part.py --exp_name=RDP_part --base_dir /path/to/data --pool RDP 

• eval

python main_part.py --eval True --exp_name=RDP_part.eval --base_dir /path/to/data --pool RDP --model_path /path/to/model

S3DIS

• train

python main_sem.py --exp_name=RDP_sem --base_dir /path/to/data --pool RDP

• eval

python main_sem.py --eval True --exp_name=RDP_sem.eval --base_dir /path/to/data --pool RDP --model_path /path/to/model

Mutual Infomax Pooling

Classification

ModelNet40

• train

python main_cls.py --exp_name=MIP_M40 --model pointnet/dgcnn --base_dir /path/to/data --pool MIP --mi_weights 1 

• eval

python main_cls.py --eval True --exp_name=MIP_M40.eval --model pointnet/dgcnn --base_dir /path/to/data --pool MIP --model_path /path/to/model --mi_weights 1

ScanObjectNN

• train

python main_scan.py --exp_name=MIP_scan --base_dir /path/to/data --pool MIP --mi_weights 1 

• eval

python main_scan.py --eval True --exp_name=MIP_scan.eval --base_dir /path/to/data --pool MIP --mi_weights 1 --model_path /path/to/model

Segmentation

ShapeNetPart

• train

python main_part.py --exp_name=MIP_part --base_dir /path/to/data --pool MIP --mi_weights 1

• eval

python main_part.py --eval True --exp_name=MIP_part.eval --base_dir /path/to/data --pool MIP --mi_weights 1 --model_path /path/to/model

S3DIS

• train

python main_sem.py --exp_name=MIP_sem --base_dir /path/to/data --pool MIP --mi_weights 1

• eval

python main_sem.py --eval True --exp_name=MIP_sem.eval --base_dir /path/to/data --pool MIP --mi_weights 1 --model_path /path/to/model