paconv

PAConv：Position Adaptive Convolution with Dynamic Kernel Assembling on Point Clouds

目录

• 引用
• 简介
• 模型库
• 使用教程
  • 数据准备
  • 训练
  • 评估
• 导出部署
  • 执行预测
  • python部署
• 自定义数据集

引用

Xu, Mutian and Ding, Runyu and Zhao, Hengshuang and Qi, Xiaojuan. "PAConv: Position Adaptive Convolution with Dynamic Kernel Assembling on Point Clouds." In Proceedings of CVPR 2021.

简介

该论文介绍了位置自适应卷积（PAConv），一种用于三维点云处理的通用卷积运算。PAConv的关键是通过动态组合存储在权重库中的基本权重矩阵来构造卷积矩阵，其中这些权重矩阵的系数通过核心网从点位置自适应学习。通过这种方式，内核构建在数据驱动管理器中，使PAConv比二维卷积具有更大的灵活性，可以更好地处理不规则和无序的点云数据。此外，通过组合权重矩阵而不是从点位置预测核，降低了学习过程的复杂性。

此外，与现有的点云卷积运算不同，它们的网络架构通常是经过精心设计的，该论文中的PAConv可以集成到基于经典MLP的点云处理网络中，而不需要改变网络配置。即使建立在简单的网络上，该论文中的方法仍然接近甚至超过最先进的模型，并显著提高了分类和分割任务的基线性能并且效率相当高。

模型库

模型	Accuracy	Vote Accuracy	模型下载	配置文件	日志
PAConv	93.4	93.47	model	config	log | vdl

使用教程

下面的教程将从数据准备开始，说明如何训练PAConv模型

数据准备

目前Paddle3D中提供的模型支持在ModelNet40数据集上训练，因此需要先准备ModelNet40数据集，请在官网进行下载。

将数据解压后按照下方的目录结构进行组织

$ tree modelnet40_ply_hdf5_2048
modelnet40_ply_hdf5_2048
├── ply_data_test0.h5
├── ply_data_test1.h5
├── ply_data_test_0_id2file.json
├── ply_data_test_1_id2file.json
├── ply_data_train0.h5
├── ply_data_train1.h5
├── ply_data_train2.h5
├── ply_data_train3.h5
├── ply_data_train4.h5
├── ply_data_train_0_id2file.json
├── ply_data_train_1_id2file.json
├── ply_data_train_2_id2file.json
├── ply_data_train_3_id2file.json
├── ply_data_train_4_id2file.json
├── shape_names.txt
├── test_files.txt
└── train_files.txt

在Paddle3D的目录下创建软链接 datasets/modelnet40_ply_hdf5_2048，指向到上面的数据集目录

mkdir datasets
ln -s  path/to/modelnet40_ply_hdf5_2048 datasets/modelnet40_ply_hdf5_2048

训练

使用如下命令启动训练

# 每隔10步打印一次训练进度
# 每隔300步保存一次模型，模型参数将被保存在output目录下
python tools/train.py --config configs/paconv/paconv_modelnet40.yml --num_workers 2 --log_interval 10 --save_interval 300 --do_eval

评估

使用如下命令启动评估

export CUDA_VISIBLE_DEVICES=0

# 使用Paddle3D提供的预训练模型进行评估
python tools/evaluate.py --config configs/paconv/paconv_modelnet40.yml --num_workers 2 --batch_size 16 --model output/iter_3000/model.pdparams

导出部署

使用如下命令导出训练完成的模型

# 导出Paddle3D提供的预训练模型
python tools/export.py --config configs/paconv/paconv_modelnet40.yml  --model output/iter_70000/model.pdparams --input_shape 1 1024 3

执行预测

命令参数说明如下：

参数	说明
model_file	导出模型的结构文件paconv.pdmodel所在路径
params_file	导出模型的参数文件paconv.pdiparams所在路径
input_file	待预测的点云文件路径
use_gpu	是否使用GPU进行预测，默认为False
precision	模型精度可设置fp32或fp16。默认fp32
enable_benchmark	是否开启benchmark
batch_size	批次大小
cpu_threads	cpu线程数
enable_mkldnn	是否使用mkldnn

Python部署

进入代码目录 deploy/paconv/python，运行以下命令，执行预测：

• 执行CPU预测

  python infer.py --model_file /path/to/paconv.pdmodel --params_file /path/to/paconv.pdiparams --input_file /path/to/pointcloud --use_gpu=False --batch_size=1

• 执行GPU预测

  python infer.py --model_file /path/to/paconv.pdmodel --params_file /path/to/paconv.pdiparams --input_file /path/to/pointcloud --use_gpu=True --batch_size=1

自定义数据集

如果您想在自定义数据集上进行训练，请参考自定义数据准备教程将数据组织成ModelNet40数据格式即可