Awesome GitHub RepositoriesSemantic Segmentations

MMDetection3D is an open-source toolbox for 3D perception, providing a unified framework for detecting and segmenting objects in three-dimensional environments. It supports a range of core tasks including monocular 3D object detection from single camera images, LiDAR-based 3D object detection from raw point clouds, and multi-modal fusion that combines camera images with LiDAR data. The toolbox also covers point cloud semantic segmentation, assigning class labels to every point in a scan for scene understanding. The project distinguishes itself through a config-driven pipeline that orchestrate

PointNet ist eine Deep-Learning-Architektur, die darauf ausgelegt ist, rohe 3D-Punktwolken direkt ohne Voxelisierung zu verarbeiten und zu klassifizieren. Es bietet ein System für die 3D-Objektklassifizierung, Frameworks für die semantische Segmentierung zur Unterteilung von Wolken in Kategorien sowie Tools zur Visualisierung von 3D-Formen. Das Projekt nutzt ein Transform-Netzwerk, um Punktwolken in einen kanonischen Koordinatenraum auszurichten, und verwendet eine auf symmetrischen Funktionen basierende Aggregation, um punktweise Merkmale unabhängig von der Punktreihenfolge in globale Vektoren zu verdichten. Zudem verfügt es über eine Multi-Scale-Grouping-Architektur, um hierarchische geometrische Merkmale über verschiedene räumliche Skalen hinweg zu extrahieren. Das System umfasst Datenpipelines zur Konvertierung von rohen 3D-Innenraum-Parsing- und Formdaten in HDF5-Dateien für das Training. Die Evaluierungsfunktionen decken Genauigkeitsmetriken für die Segmentierung sowie das Rendering von falsch klassifizierten 3D-Punktwolken in Drei-Ansichten-Bilder zur Fehleranalyse ab.

Dieses Projekt ist ein PyTorch-basiertes Framework für Deep-Learning-Modelle, das für die Klassifizierung und semantische Segmentierung von 3D-Punktwolkendaten entwickelt wurde. Es bietet Implementierungen der PointNet-Architektur, um globales Category-Labeling ganzer Objekte sowie detaillierte Partitionierungen großflächiger 3D-Umgebungen durchzuführen. Das System handhabt semantische Segmentierung über mehrere Skalen hinweg, von der Identifizierung einzelner Komponenten innerhalb eines Objekts bis hin zur Kennzeichnung unterschiedlicher Kategorietypen innerhalb großflächiger Szenen. Das Framework enthält strukturelle Komponenten für die Verarbeitung ungeordneter Punktmengen, wie Farthest-Point-Sampling, hierarchisches Point-Set-Grouping und symmetrische Set-Aggregation-Netzwerke. Es bietet zudem Offline-Daten-Preprocessing-Utilities und Tools zur Generierung von 3D-Objektdateien, um Segmentierungsergebnisse in externer Software zu visualisieren.