点云处理：基于Paddle2.0实现Kd-Networks对点云进行分类处理

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 行业资讯

点云处理：基于Paddle2.0实现Kd-Networks对点云进行分类处理

2025-07-21

浏览次数：次

返回列表

本文介绍基于Paddle2.0实现Kd-Networks对点云分类处理。Kd-Networks引入Kd-Tree结构，将非结构化点云转为结构化数据，用1*1卷积近似KD算子。使用ShapeNet的.h5数据集，经数据处理、网络定义等步骤，训练20轮后，训练集准确率0.978，测试集0.9375，展示了其处理点云分类的效果。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

点云处理：基于paddle2.0实现kd-networks对点云进行分类处理 -

美图云修

商业级AI影像处理工具

50 查看详情美图云修

点云处理：基于Paddle2.0实现Kd-Networks对点云进行分类处理

网络简介

Kd-Networks于2017发表于ICCV上。创新性地引入了Kd-Tree结构用于处理点云。

论文：Escape from Cells: Deep Kd-Networks for the Recognition of 3D Point Cloud Models

项目效果

训练二十轮后的准确率：

	训练集上	测试集上
Accuracy	0.978	0.9375

项目说明

①数据集

本次用到的数据集是ShapeNet，储存格式是.h5文件。

.h5储存的key值分别为：

1、data：这一份数据中所有点的xyz坐标，

2、label：这一份数据所属类别，如airplane等，

3、pid：这一份数据中所有点所属的类型，如这一份数据属airplane类，则它包含的所有点的类型有机翼、机身等类型。

②Kd-Networks 简介

一、Kd-Networks最大的创新点在于引入了Kd-Tree这一结构，Kd-Tree将非结构化点云变成结构化数据，构建了处理非结构化点云的特征工程。

二、该项目利用1*1卷积近似实现KD算子的功能，因此在构建Kd-Networks网络时，构建的是一个类Kd-Tree的网络，也就是说Kd-Networks将数据处理中Kd-Tree化的过程复刻到网络上（例如在index_select处可以看到，index_select复刻的是数据处理时Kd-Tree化中二叉时切割的维度），网络因此类Kd-Tree。

点云处理：基于Paddle2.0实现Kd-Networks对点云进行分类处理 -

项目主体

①解压数据集、导入需要的库

In [ ]

!unzip data/data67117/shapenet_part_seg_hdf5_data.zip!mv hdf5_data dataset

In [1]

import osimport numpy as npimport randomimport h5pyimport paddleimport paddle.nn as nnimport paddle.nn.functional as Ffrom tools.build_KDTree import build_KDTree

②数据处理

1、生成训练和测试样本的list

In [2]

train_list = ['ply_data_train0.h5', 'ply_data_train1.h5', 'ply_data_train2.h5', 'ply_data_train3.h5', 'ply_data_train4.h5', 'ply_data_train5.h5']
test_list = ['ply_data_test0.h5', 'ply_data_test1.h5']
val_list = ['ply_data_val0.h5']

2、数据读取

注：在数据读取这里，可以借助scipy.spatial中的cKDTree很快地生成kdTree。

In [3]

def pointDataLoader(mode='train'):
    path = './dataset/'
    BATCHSIZE = 64
    MAX_POINT = 1024
    LEVELS = (np.log(MAX_POINT) / np.log(2)).astype(int)

    datas = []
    split_dims_v = []
    points_v = []
    labels = []    if mode == 'train':        for file_list in train_list:
            f = h5py.File(os.path.join(path, file_list), 'r')
            datas.extend(f['data'][:, :MAX_POINT, :])
            labels.extend(f['label'])
            f.close()    elif mode == 'test':        for file_list in test_list:
            f = h5py.File(os.path.join(path, file_list), 'r')
            datas.extend(f['data'][:, :MAX_POINT, :])
            labels.extend(f['label'])
            f.close()    else:        for file_list in val_list:
            f = h5py.File(os.path.join(path, file_list), 'r')
            datas.extend(f['data'][:, :MAX_POINT, :])
            labels.extend(f['label'])
            f.close()
    datas = np.array(datas)    for i in range(len(datas)):
        split_dim, tree = build_KDTree(datas[i], depth=LEVELS)
        split_dim_v = [np.array(item).astype(np.int64) for item in split_dim]
        split_dims_v.append(split_dim_v)
        points_v.append(tree[-1].transpose(0, 2, 1))

    split_dims_v = np.array(split_dims_v)
    points_v = np.array(points_v)
    labels = np.array(labels)    print('==========load over==========')

    index_list = list(range(len(datas)))    def pointDataGenerator():
        if mode == 'train':
            random.shuffle(index_list)
        split_dims_v_list = []
        points_v_list = []
        labels_list = []        for i in index_list:
            split_dims_v_list.append(split_dims_v[i])
            points_v_list.append(points_v[i].astype('float32')) 
            labels_list.append(labels[i].astype('int64'))            if len(labels_list) == BATCHSIZE:                yield np.array(split_dims_v_list), np.array(points_v_list), np.array(labels_list)
                split_dims_v_list = []
                points_v_list = []
                labels_list = []        if len(labels_list) > 0:            yield np.array(split_dims_v_list), np.array(points_v_list), np.array(labels_list)    return pointDataGenerator

③定义网络

In [10]

class KDNet(nn.Layer):
    def __init__(self, k=16):
        super(KDNet, self).__init__()
        self.conv1 = nn.Conv1D(3, 32*3, 1, 1)
        self.conv2 = nn.Conv1D(32, 64*3, 1, 1)
        self.conv3 = nn.Conv1D(64, 64*3, 1, 1)
        self.conv4 = nn.Conv1D(64, 128*3, 1, 1)
        self.conv5 = nn.Conv1D(128, 128*3, 1, 1)
        self.conv6 = nn.Conv1D(128, 256*3, 1, 1)
        self.conv7 = nn.Conv1D(256, 256*3, 1, 1)
        self.conv8 = nn.Conv1D(256, 512*3, 1, 1)
        self.conv9 = nn.Conv1D(512, 512*3, 1, 1)
        self.conv10 = nn.Conv1D(512, 128*3, 1, 1)
        self.fc = nn.Linear(128, k)    def forward(self, x, split_dims_v):
        def kdconv(x, dim, featdim, select, conv):
            x = F.relu(conv(x))
            x = paddle.reshape(x, (-1, featdim, 3, dim))
            x = paddle.reshape(x, (-1, featdim, 3 * dim))
            select = paddle.to_tensor(select) + (paddle.arange(0, dim) * 3)
            x = paddle.index_select(x, axis=2, index=select)    
            x = paddle.reshape(x, (-1, featdim, int(dim/2), 2))
            x = paddle.max(x, axis=-1)            return x

        x = kdconv(x, 1024, 32, split_dims_v[0], self.conv1)
        x = kdconv(x, 512, 64, split_dims_v[1], self.conv2)
        x = kdconv(x, 256, 64, split_dims_v[2], self.conv3)
        x = kdconv(x, 128, 128, split_dims_v[3], self.conv4)
        x = kdconv(x, 64, 128, split_dims_v[4], self.conv5)
        x = kdconv(x, 32, 256, split_dims_v[5], self.conv6)
        x = kdconv(x, 16, 256, split_dims_v[6], self.conv7)
        x = kdconv(x, 8, 512, split_dims_v[7], self.conv8)
        x = kdconv(x, 4, 512, split_dims_v[8], self.conv9)
        x = kdconv(x, 2, 128, split_dims_v[9], self.conv10)
        x = paddle.reshape(x, (-1, 128))
        x = F.log_softmax(self.fc(x))        return x

⑤训练

1、创建训练数据读取器

注：由于训练数据预处理比较慢，所以先创建训练数据读取器（创建同时会对数据进行预处理），这样在训练时候直接导入就显得训练过程快很多（实际上并没有节省时间，只不过是为了调试方便和读者尝试，把训练数据读取器单独拿出来创建）。

In [5]

train_loader = pointDataLoader(mode='train')

==========load over==========

2、开始训练

In [11]

def train():
    model = KDNet()
    model.train()
    optim = paddle.optimizer.Adam(parameters=model.parameters(), weight_decay=0.001)

    epoch_num = 40
    for epoch in range(epoch_num):        for batch_id, data in enumerate(train_loader()):
            split_dims_v = data[0]
            points_v = data[1]
            labels = data[2]
            inputs = paddle.to_tensor(points_v)
            labels = paddle.to_tensor(labels)
            predict = []            for i in range(split_dims_v.shape[0]):
                predict.extend(model(inputs[i], split_dims_v[i]))

            predicts = paddle.stack(predict)
            loss = F.nll_loss(predicts, labels)
            acc = paddle.metric.accuracy(predicts, labels)        

            if batch_id % 10 == 0: 
                print("epoch: {}, batch_id: {}, loss is: {}, accuracy is: {}".format(epoch, batch_id, loss.numpy(), acc.numpy()))
            
            loss.backward()
            optim.step()
            optim.clear_grad()        if epoch % 2 == 0:
            paddle.s*e(model.state_dict(), './model/KDNet.pdparams')
            paddle.s*e(optim.state_dict(), './model/KDNet.pdopt')if __name__ == '__main__':
    train()

⑥评估

In [12]

def evaluation():
    test_loader = pointDataLoader(mode='test')
    model = KDNet()
    model_state_dict = paddle.load('./model/KDNet.pdparams')
    model.load_dict(model_state_dict)    for batch_id, data in enumerate(test_loader()):
        split_dims_v = data[0]
        points_v = data[1]
        labels = data[2]
        inputs = paddle.to_tensor(points_v)
        labels = paddle.to_tensor(labels)
        predict = []        for i in range(split_dims_v.shape[0]):
            predict.extend(model(inputs[i], split_dims_v[i]))
        predicts = paddle.stack(predict)

        acc = paddle.metric.accuracy(predicts, labels)        print("eval accuracy is: {}".format(acc.numpy()))        break;if __name__ == '__main__':
    evaluation()

==========load over==========
eval accuracy is: [0.9375]

以上就是点云处理：基于Paddle2.0实现Kd-Networks对点云进行分类处理的详细内容，更多请关注其它相关文章！

# 首款 # 镇江网站建设路火锅 # 八百拜如何推广网站 # 兰州营销推广方式 # 益阳小红书营销推广 # 吉林大型网站建设技巧 # 哪个网站能推广产品图标 # 瓯海网站建设推广 # 南平网站制作推广 # 美团花店推广营销 # 简单分析网站内部优化 # 开源 # ai # 系列产品 # 的是 # 中文网 # 美图 # 结构化 # 进行分类 # 数据处理 # 这一 # type # red

相关栏目：【行业资讯67740 】【技术百科0 】【网络运营39195 】

上一篇：iPhone用户DeepSeek安装实用步骤解析

下一篇：自定义数据集OCEMOTION–中文情感分类

首页

关于我们

产品展示

咨询研究

新闻中心

留言板

联系我们

新闻中心 NEWS CENTER

点云处理：基于Paddle2.0实现Kd-Networks对点云进行分类处理

点云处理：基于Paddle2.0实现Kd-Networks对点云进行分类处理

网络简介

项目效果

项目说明

①数据集

②Kd-Networks 简介

项目主体

①解压数据集、导入需要的库

②数据处理

1、生成训练和测试样本的list

2、数据读取

③定义网络

⑤训练

1、创建训练数据读取器

2、开始训练

⑥评估