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 est une architecture de deep learning conçue pour traiter et classifier des nuages de points 3D bruts directement, sans voxelisation. Il fournit un système pour la classification d'objets 3D, des frameworks de segmentation sémantique pour partitionner les nuages en catégories, et des outils pour visualiser les formes 3D. Le projet utilise un réseau de transformation pour aligner les nuages de points dans un espace de coordonnées canonique et emploie une agrégation basée sur des fonctions symétriques pour condenser les caractéristiques point par point en vecteurs globaux, indépendamment de l'ordre des points. Il dispose également d'une architecture de regroupement multi-échelle pour extraire des caractéristiques géométriques hiérarchiques à différentes échelles spatiales. Le système inclut des pipelines de données pour convertir les données brutes d'analyse intérieure 3D et de forme en fichiers HDF5 pour l'entraînement. Les capacités d'évaluation couvrent les métriques de précision de segmentation et le rendu des nuages de points 3D mal classés en images à trois vues pour l'analyse d'erreurs.

Ce projet est un framework basé sur PyTorch de modèles de deep learning conçus pour la classification et la segmentation sémantique de données de nuages de points 3D. Il fournit des implémentations de l'architecture PointNet pour effectuer un étiquetage de catégorie global d'objets entiers et un partitionnement détaillé d'environnements 3D à grande échelle. Le système gère la segmentation sémantique à travers plusieurs échelles, allant de l'identification de composants individuels au sein d'un seul objet à l'étiquetage de types de catégories distincts au sein de scènes à grande échelle. Le framework inclut des composants structurels pour traiter des ensembles de points non ordonnés, tels que l'échantillonnage par points les plus éloignés, le regroupement hiérarchique d'ensembles de points et des réseaux d'agrégation d'ensembles symétriques. Il fournit également des utilitaires de prétraitement de données hors ligne et des outils pour générer des fichiers d'objets 3D afin de visualiser les sorties de segmentation dans des logiciels externes.