本节主要介绍PointNet语义分割，其中主干网络和代码环境等PointNet详细介绍请参考三维目标检测 — PointNet详解（一）_Coding的叶子的博客-CSDN博客，这里不再进行重复介绍。 PointNet文章作者关于三维物体检测的讲解请参考3D物体检测的发展与未来 - 深蓝学院 - 专注人工智能与自动驾驶的学习平台。

1 代码环境部署

        请参考三维目标检测 — PointNet详解（一）_Coding的叶子的博客-CSDN博客。

2 数据介绍

       2.1 原始数据

        S3DIS（Stanford Large-Scale 3D Indoor Spaces Dataset ）数据集是斯坦福大学开发的室内点云数据集，含有像素级语义标注信息。官方下载地址为http://buildingparser.stanford.edu/dataset.html，需要简单填一下信息，填完即可出现下载链接，不需要进行邮箱验证确认。

        这里下载的数据集为Stanford3dDataset_v1.2_Aligned_Version.zip，解压之后有Area_1（44个场景）、Area_2（40个场景）、Area_3（23个场景）、Area_4（49个场景）、Area_5（68个场景）、Area_6（48个场景）六个文件夹，即6个不同区域。S3DIS在6个区域的271个房间中共采集了272个场景。每个场景包含一个txt点云文件和一个Annotations文件夹。这个txt文件是该场景的全部点云，每个点云含xyzrgb六个维度数据。Annotations文件夹下为各个类别的txt点云文件，同样存储了xyzrgb六个维度的数据。显然。各个类别的点云应该是总的场景点云的一部分。场景和语义类别共分为：

        11种场景：Office（办公室）、conference room（会议室）、hallway（走廊）、auditorium（礼堂）、（open space开放空间）、 lobby（大堂）、lounge（休息室）、pantry（储藏室）、（复印室）、copy room（储藏室）和storage and WC（卫生间）。

        13个语义元素： ceiling（天花板）、floor（地板）、wall（墙壁）、beam（梁）、column（柱）、window（窗）、door（门）、table（桌子）、chair（椅子）、sofa（沙发）、bookcase（书柜）、board（板）、clutter （其他）。

        2.2 数据预处理

        数据预处理脚本如下：

cd data_utils
python collect_indoor3d_data.py

   /data_utils/meta/anno_paths.txt存储了全部272个场景下的Annotations文件夹路径。/data_utils/meta/class_names.txt列举了上面13个语义元素的标签名称。将Annotations文件夹下的每个txt文件与语义标签类别进行合并，这样每一个点的数据组成为xyzrgbl，l表示标签序号labelid。将合并的文件再次合并到一起，例如Area_1/Conference_room_1/Annotations/文件夹下的33个文件内容加上标签后全部合并到一起，得到Nx7维度的点云数据，N表示该场景中的点云数量。

        每个Annotations合并后的文件以numpy形式保存到data/stanford_indoor3d文件夹下，名称为区域_场景.npy，共271个文件，这说明其中1个场景未采集数据。这里并不去细究是哪一个场景没有数据。

        2.3 模型输入数据

        样本选取：区域Area_5中数据用作评估测试，其他区域数据用于训练。预处理会对每个房间采样4096个点，并且采样后所有样本的点的总数量与原始271个场景房间中点的总数量相等。在总数量保持不变的情况下，采样点的数量下降导致需要增加样本数量，因而同一个场景会多次采样，并且同个场景被采样的概率大小其点云占总数量的比例成正比。经过采样后，训练样本数量为47623，测试样本数量为18923。

        4096个点的采样过程：随机选择点云中的一个点作为样本中心点，选取该点xy方圆1米内的点，z方向上不做限制。算法中限制这一步必须至少采样到1024个点。接着对采样出来的点随机选择4096个点，如果前一步点的数量大于等于4096则无重复选择，否则可重复选择出4096个点。

        归一化：

        （1）将采样出来的4096个点坐标减去上述采样的样本中心点坐标，得到Point[:3]，并且输入模型前会进行旋转增强。

        （2）将rgb颜色信息除以255，得到Point[3:6]。

        （3）将采样出来的4096个点坐标除以房间中坐标的最大值，得到Point[6:9]。

        最终模型的输入为的归一化点信息（4096x9）和类别标签（4096）。

3 模型结构

        PointNet结构如下图所示，图中上半部分为分类网络并已经在三维目标检测 — PointNet详解（一）_Coding的叶子的博客-CSDN博客详细介绍。下半部分为分割网络，也是本节重点介绍的内容。

        （1）分类部分的模型基本不变，部分变化包括：1）输入点的数量由1024变为4096。2）获取空间坐标变化矩阵的第一个卷积输入通道数量由3变为9。3）空间变换矩阵仅与输入点前3个坐标相乘，后6个维度不变；变换完成后经过卷积conv1d(9, 64)得到64x4096维特征。4）得到的1024维特征属于全局特征，重复拼接到上一步的特征得到1088x4096维度特征。

        （2）中输出特征经过卷积conv1d(1088, 512)、conv1d(512, 256)、conv1d(256, 128)、conv1d(128, 13)、log_softmaxt得到13维度的输出，即13个类别log softmax（4096x13)，即图中下方的output scores。

4 损失函数

        损失函数由两部分组成，一部分是交叉熵损失函数，另一部分是64维特征的变换矩阵的损失。这里考虑到类别的均衡性，交叉熵损失函数会为每个类别分配一个权重。在全部原始点云中，同一类别的空间点数量最多的权重最小，取值为1。其他，类别的权重是最大点数量与该类别数量的比值的三分之一次方，显然其他类别的权重大于1。

        矩阵变换相当于是在空间内坐标系的变换。因此，训练出的变换矩阵最好是正交矩阵，这样每个维度的特征尽可能保持相对独立。因此，第二部分的损失是矩阵相对于正交矩阵的差值，然后乘以损失系数0.001。

5 训练评估程序

        首先运行2.2中的数据预处理脚本，data文件夹需要新建，默认是没有的。然后直接运行train_semseg.py和test_semseg.py即可完成训练和测试，默认的配置就是基础的PointNet。

python三维点云从基础到深度学习_Coding的叶子的博客-CSDN博客_3d点云 python从三维基础知识到深度学习，将按照以下目录持续进行更新。https://blog.csdn.net/suiyingy/article/details/124017716更多三维、二维感知算法和金融量化分析算法请关注“乐乐感知学堂”微信公众号，并将持续进行更新。