懂AI
superpoint_transformer

superpoint_transformer

高效3D场景语义和全景分割的超点变换器

Superpoint Transformer 是一种超点 transformer 架构，适用于大规模 3D 场景的语义分割。通过自注意机制和层次化超点结构，它能多尺度挖掘超点间关系，性能卓越。同时，SuperCluster 将全景分割任务转化为超点图聚类任务，能在单个 GPU 上处理大规模场景。项目亮点包括显著的SOTA表现、快速训练和预处理等。点击查看更多详情及项目更新。

Superpoint TransformerSuperCluster3D语义分割3D全景分割ICCV 2023Github开源项目
访问官网GitHub论文文档

项目介绍：Superpoint Transformer

什么是 Superpoint Transformer？

Superpoint Transformer（SPT） 是一种基于超级点的变换器架构，专门用于对大规模 3D 场景进行语义分割。这个方法包含一个快速算法，它可以把点云分割成一个层级化的超级点结构，并使用自注意机制来开发超级点之间的多尺度关系。

SPT 的最大特点在于高效且精准。通过将复杂的点云数据简化为更具结构性质的超级点，SPT 能以较少的参数数实现出色的分割性能。对于研究人员和工程师，它能在更短的时间内完成训练，从而节省计算资源。

这是 SPT 在不同数据集上的表现：

  • S3DIS 6-Fold：76.0 mIoU
  • KITTI-360 Val：63.5 mIoU
  • DALES：79.6 mIoU

SuperCluster 的作用

SuperCluster 是另一种基于超级点的架构，专门针对非常大的 3D 场景进行全景分割。它基于 SPT，我们将全景分割任务表述为超级点图聚类问题。这个模型经过训练，可以预测一个图优化问题的输入参数，其解决方案就是全景分割。

超级簇主要有以下特点：

  • 具备可扩展的设计，可在单个 GPU 上处理前所未有规模的场景。
  • 拥有不到 1M 的参数数量，使其极为轻量。
  • 处理速度极快，例如可以在一个 GPU 上用时 10.1 秒处理一个包含 1800 万个点的场景。

在各个数据集上的全景分割性能如下：

  • S3DIS 6-Fold：55.9 PQ
  • KITTI-360 Val：48.3 PQ
  • DALES：61.2 PQ

使用指南

环境需求

本项目在以下环境中得到测试：

  • Linux 操作系统
  • 64G 内存
  • NVIDIA GTX 1080 Ti (11G)、NVIDIA V100 (32G)、NVIDIA A40 (48G) 显卡
  • CUDA 11.8 和 12.1
  • Conda 23.3.1

安装步骤

通过运行 install.sh 脚本来安装所有的依赖：

./install.sh

数据集准备

请参考项目提供的 数据集页面 以设置数据集路径和文件结构。

训练和评估

  • 训练模型：你可以通过不同的配置来训练 SPT 或 SuperCluster。

    示例命令：

    python src/train.py experiment=semantic/s3dis datamodule.fold=5

  • 模型评估：使用以下命令来从检查点文件中评估我们的模型：

    示例命令：

    python src/eval.py experiment=semantic/s3dis datamodule.fold=5 ckpt_path=/path/to/your/checkpoint.ckpt

项目更新

  • 2024年6月27日，发布 Superpoint Transformer 教程。
  • 2024年2月28日，发布全景分割的重大代码更新。
  • 2023年10月15日，论文在 3DV 2024 被接收为口头报告。
  • 2023年10月6日，在 ICCV 2023 上展示 Superpoint Transformer 的海报。

项目结构

项目文件夹主要由以下结构组成：

  • configs/：包含 Hydra 配置文件。
  • src/：源代码，包括模型、数据模块和其他组件。
  • notebooks/：Jupyter 笔记本，用于演示和测试。

结语

如果大家对本项目感兴趣，欢迎在 GitHub 上给我们一个星星支持。您的支持是我们前进的动力！如果在引用我们的工作时，请附上适当的引用条目。感谢您的关注和支持！

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多