開源架構PointNet 資料集結構——語義分割部分

要訓練自己的資料，需要把自己的資料集做成PontNet所用資料集相似的結構。故記錄本文以備忘

1. 論文中的描述

pointnet 應用分為三部分：點雲分類（3D Object Classification），點雲部分分割（3D Object Part Segmentation），語義分割（Semantic Segmentation in Scenes）。本文隻解釋語義分割部分的資料集。

論文中用的是Stanford 3D semantic parsing data set 這一資料集。資料集中包含用Matterport scanner 中掃描的3D 室内對象，這些對象來自于6個區域的271個房間，每個點都加上了13個語義标簽（例如椅子，桌子，地闆，牆等）中的1個。

按照房間來劃分點集，然後将房間采樣為1m×1m的塊。對每個塊預測其中每個點的語義标簽。每個點由一個9-dim 向量表示，向量分量分别為：X, Y, Z, R, G, B,  normalized location as to the room (from 0 to 1)。訓練時，在每個塊中實時随機采樣4096個點。測試時用所有的點。用k-fold方法來訓練和測試。

2. 下載下傳資料集

終端運作： $ sh download_data.sh

下載下傳得到：indoor3d_sem_seg_hdf5_data 檔案夾，裡面由ply_data_all_0.h5 至ply_data_all_23.h5 共24個h5格式的資料檔案，每個裡面都有兩個dataset：data 和 label。這24個檔案共有23×1000+585=23585行，每行一個Block，每個Block有4096ge點，每點9個次元。

另外還有兩個txt檔案：all_files.txt 和 room_filelist.txt。前者儲存24個資料檔案名。後者有23585 行; 即對應每個Block是在哪個area的哪個room采集的