Comments (12)
fdila
commented on May 28, 2024
1
Ho fatto i test usando la versione originale (non sparsa) di Predator, e in realtà si riescono abbastanza a rifare gli esperimenti.
La rete trainata su 3DMatch va quasi sempre OOM per tutti i dataset tranne quelli del TUM, ma penso sia comprensibile visto che usa downsampling a 2.5cm e le point cloud degli altri dataset sono piuttosto estese spazialmente.
La rete trainata su KITTI invece va OOM solo su planetary_map, anche qui è comprensibile visto che la mappa è grande. Con la rete trainat su KITTI ci sono problemi sui dataset TUM, dà errori a runtime su cui devo indagare meglio, ma probabilmente è dovuto al fatto che usa downsampling a 0.3 e le point cloud TUM sono molto piccole.
Errori OOM/Runtime 3DMatch:
oom_errors runtime_errors
sequence
plain 100 0
stairs 48 0
apartment 5 0
hauptgebaude 100 0
wood_autumn 100 0
wood_summer 100 0
gazebo_summer 100 0
gazebo_winter 100 0
box_met 100 0
p2at_met 98 0
planetary_map 102 0
pioneer_slam 0 0
pioneer_slam3 0 0
long_office_household 0 0
urban05 100 0
Total 1053 0
Risultati 3DMatch (sempre calcolando l'errore escludendo gli esperimenti che falliscono):
FastGlobal RANSAC TEASER
median 0.75 Q 0.95 Q median 0.75 Q 0.95 Q median 0.75 Q 0.95 Q
sequence
plain NaN NaN NaN NaN NaN NaN NaN NaN NaN
stairs 2.128094 2.559729 3.453345 0.799887 3.279334 6.638602 0.265368 1.959345 3.594116
apartment 1.500518 1.698654 2.000340 2.783219 4.034384 5.007579 0.154146 1.229533 2.030742
hauptgebaude NaN NaN NaN NaN NaN NaN NaN NaN NaN
wood_autumn NaN NaN NaN NaN NaN NaN NaN NaN NaN
wood_summer NaN NaN NaN NaN NaN NaN NaN NaN NaN
gazebo_summer NaN NaN NaN NaN NaN NaN NaN NaN NaN
gazebo_winter NaN NaN NaN NaN NaN NaN NaN NaN NaN
box_met NaN NaN NaN NaN NaN NaN NaN NaN NaN
p2at_met 2.497565 2.644634 2.762289 5.849530 8.606229 10.811588 0.070782 0.079034 0.085636
planetary_map NaN NaN NaN NaN NaN NaN NaN NaN NaN
pioneer_slam 0.219169 1.425145 5.800575 0.031006 0.069154 0.774459 0.045177 0.070944 0.856637
pioneer_slam3 1.205163 2.347489 3.786604 0.021426 0.033355 0.133191 0.017623 0.025798 0.091991
long_office_household 0.320498 1.392555 6.568162 0.036915 0.075231 0.319441 0.031460 0.063025 0.567845
urban05 NaN NaN NaN NaN NaN NaN NaN NaN NaN
Total 1.208683 1.801858 3.989298 0.051977 1.640061 4.567646 0.037371 0.118209 1.907355
Errori OOM/Runtime KITTI:
oom_errors runtime_errors
sequence
plain 0 0
stairs 0 0
apartment 0 0
hauptgebaude 0 0
wood_autumn 0 0
wood_summer 0 0
gazebo_summer 0 0
gazebo_winter 0 0
box_met 0 0
p2at_met 0 0
planetary_map 74 0
pioneer_slam 0 84
pioneer_slam3 0 7
long_office_household 0 83
urban05 0 0
Total 74 174
Risultati KITTI:
FastGlobal RANSAC TEASER
median 0.75 Q 0.95 Q median 0.75 Q 0.95 Q median 0.75 Q 0.95 Q
sequence
plain 0.444149 1.080575 2.603919 0.195197 0.272123 1.219369 0.205462 0.658566 2.769564
stairs 0.525682 1.810181 4.227974 0.194113 0.356132 3.228370 0.242458 1.515520 5.706381
apartment 0.344651 1.347992 1.771613 0.129487 0.193819 1.656288 0.369736 1.400420 1.904907
hauptgebaude 4.902079 6.171785 7.515146 0.103949 0.880317 4.180110 0.110760 1.593507 6.177478
wood_autumn 2.733059 3.083703 3.815422 0.056838 0.104826 0.248983 0.047572 0.073137 0.150972
wood_summer 2.406698 3.069144 3.826528 0.066865 0.100883 0.969769 0.042537 0.066584 0.133029
gazebo_summer 0.679651 2.629218 4.368650 0.072309 0.100433 0.815356 0.035459 0.065327 2.030254
gazebo_winter 2.211210 3.349508 5.010431 0.062515 0.087142 0.788102 0.029493 0.045833 0.330298
box_met 8.458255 10.689915 15.917215 7.710291 10.257606 15.523289 6.900634 10.366071 13.444093
p2at_met 5.828349 9.531842 15.923300 0.496661 6.724374 14.139877 0.479829 5.080667 13.542208
planetary_map 38.362229 53.044716 77.984761 13.958811 21.050602 118.669358 58.768342 85.970869 112.364593
pioneer_slam 1.617676 6.305019 7.518115 0.418715 0.988255 3.718984 0.615583 6.316369 10.064624
pioneer_slam3 0.312150 0.991854 6.572480 0.231908 0.365242 0.547442 0.332807 0.588972 2.170033
long_office_household 1.141250 5.277661 578845.552445 0.288679 0.377186 3.473939 0.639014 1.175822 3.779611
urban05 0.710217 1.676742 4.399596 0.161353 2.063727 4.418553 0.072167 0.281278 2.329717
Total 1.893497 3.972854 10.974156 0.143822 0.590193 9.767012 0.140350 0.992746 10.411199
from neural_registration_comparison.
fdila
commented on May 28, 2024
Reviewer 2 ha chiesto esplicitamente di testarlo
from neural_registration_comparison.
fdila
commented on May 28, 2024
https://github.com/prs-eth/OverlapPredator
from neural_registration_comparison.
fdila
commented on May 28, 2024
La demo sembra funzionare.
from neural_registration_comparison.
simone-fontana
commented on May 28, 2024
Prova anche col benchmark, probabilmente sarà necessario usare la versione sparsa.
from neural_registration_comparison.
fdila
commented on May 28, 2024
Note varie sui primi test:
- Sto testando la versione non sparsa di Predator, testando su eth/apartment con la rete trainata su 3DMatch va OOM 5 volte su 100, con la rete trainata su KITTI non va OOM.
- Devo leggere meglio il paper, ma se non ho capito male è una rete che per tutti i punti calcola il descrittore, e calcola anche uno "score" basato su saliency e overlap. In base a questo score seleziona i punti migliori per la registration. Il numero di punti che seleziona sono fissi, (tipo, nella demo che è caricata sul repo imposta a 1000 punti e poi usa quei 1000 punti per ransac). Vedo se nel paper parlano anche della scelta di quanti punti usare per la registration, se no è da decidere questo numero.
from neural_registration_comparison.
fdila
commented on May 28, 2024
Anche gli autori di Predator raccomandano di usare una voxel size specifica
from neural_registration_comparison.
simone-fontana
commented on May 28, 2024
Che voxel size raccomandano?
Per quanto riguarda i keypoints, avevamo detto di usarne sempre 5000, giusto?
from neural_registration_comparison.
fdila
commented on May 28, 2024
Per la rete trainata su 3DMatch 2,5cm per KITTI 30cm, da quel che ho capito è proprio come vuole le point cloud in input la rete.
Per i keypoints noi ne abbiamo sempre usati 5000, non so se ci fosse un motivo per cui nel codice loro mettono 1000
from neural_registration_comparison.
fdila
commented on May 28, 2024
Sto testando la versione non sparsa di Predator, testando su eth/apartment con la rete trainata su 3DMatch va OOM 5 volte su 100, con la rete trainata su KITTI non va OOM.
Questo con le point cloud downsamplate a 0.1, sto cercando di far funzionare la versione di Predator sparsa per vedere se cambia qualcosa.
from neural_registration_comparison.
simone-fontana
commented on May 28, 2024
Ok, se è un requisito della rete, direi di fare gli esperimenti con la voxel size che si aspettano.
from neural_registration_comparison.
fdila
commented on May 28, 2024
Con la rete trainat su KITTI ci sono problemi sui dataset TUM, dà errori a runtime su cui devo indagare meglio, ma probabilmente è dovuto al fatto che usa downsampling a 0.3 e le point cloud TUM sono molto piccole.
Confermo, ad un certo punto della rete c'è un layer in cui cerca un certo numero di neighbor e non ne trova abbastanza, quindi dà errore. Posso presumere che questi neighbor non ci siano per i troppi pochi punti nella pc.
from neural_registration_comparison.
Related Issues (20)
- Test di 3dSmoothNet
- Test di FPFH HOT 2
- Test di Fully Convolutional Geometric Features
- Bug script registration_from_features HOT 3
- Test di PPFNet HOT 2
- Test di GenReg HOT 2
- Test Feature Metric Registration
- Aggiungere per ogni algoritmo delle misure di "efficienza" (tempo/memoria?) HOT 11
- Test di GeoTransformer HOT 7
- Test di RoReg
- Test di RoReg HOT 29
- Rifare test per misurare tempo/memoria
- Downsampling e preprocessing per esperimenti nuovi HOT 13
- FPFH HOT 1
- 3DSmoothNet HOT 3
- FCGF HOT 3
- 3DFeatNet HOT 1
- FMR HOT 2
- Aggiungere scenario di test "robotico" HOT 9
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.
from neural_registration_comparison.