superpoint_transformer

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！