OctNet 利用高效的空间划分结构（即八叉树）来降低 3D 卷积神经网络的内存和计算需求，从而实现高分辨率下的深度学习。

这是论文对应的代码：

OctNet：在高分辨率下学习深度 3D 表示
Gernot Riegler、Ali Osman Ulusoy 和 Andreas Geiger
CVPR 2017

我们提出了 OctNet，一种用于稀疏 3D 数据深度学习的表示方法。与现有模型不同，我们的表示使 3D 卷积网络既能保持深度，又能支持高分辨率。为此，我们利用输入数据的稀疏性，通过一组非平衡八叉树分层划分空间，每个叶节点存储一个池化后的特征表示。这使得内存分配和计算可以集中在相关的密集区域，从而在不牺牲分辨率的情况下构建更深的网络。我们通过分析分辨率对多个 3D 任务的影响来证明 OctNet 表示的有效性，这些任务包括 3D 物体分类、姿态估计和点云标注。

GTC'17 演示

如果您觉得这段代码对您的研究有帮助，请引用以下文献：

@inproceedings{Riegler2017OctNet,
  title={OctNet: Learning Deep 3D Representations at High Resolutions},
  author={Riegler, Gernot and Ulusoy, Ali Osman and Geiger, Andreas},
  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
  year={2017}
}

代码概览

• core - 该目录包含混合网格-八叉树数据结构的核心代码（include/octnet/core）、针对该数据结构的网络操作的 CPU 代码（include/octnet/cpu），以及一些用于创建测试对象的代码（include/octnet/test）。
• core_gpu - 网络操作的 GPU（CUDA）代码。
• create - 用于预处理 3D 数据（点云、网格、稠密体素）并将其转换为网格-八叉树结构的代码。
• geometry - 主要用于 create 包中的简单几何运算例程。
• py - 该目录包含一个小型 Python 封装器，用于调用 create 包及部分 core 函数。
• th - 一个功能齐全的 Torch 封装器，用于所有网络操作。
• example - 包含一个示例，用于创建数据并在 ModelNet10 上训练网络。

需求

我们尽量将依赖项控制在较低水平。要构建各个项目，您需要：

• cmake 来配置项目；
• gcc 或 clang 来编译核心项目；
• nvcc（CUDA）来编译 GPU 网络操作；
• cython 来编译 Python 封装器；
• torch 来设置 Torch 封装器。

可选地，您还需要：

• OpenMP 用于 CPU 函数的并行化。

构建

各个软件包的构建过程应该相当简单。除 Python 封装器 py 外，其他所有包都是 CMake 项目。因此，您可以在相应包的文件夹中创建一个 build 目录，然后运行 cmake 和 make 命令。例如，构建 core 包：

cd core
mkdir build
cd build
cmake ..
make -j

要构建 Python 封装器，只需执行：

cd py
python setup.py build_ext --inplace

如果您不想为每个包重复上述步骤，我们提供了两个简单的 Bash 脚本以自动化这一过程：

• build_cpu.sh - 构建 OctNet 的所有 CPU 代码；
• build_all.sh - 同上，但还会构建 GPU 网络函数以及 Torch 的 GPU 封装代码。

OctNet 快速上手指南

OctNet 是一种利用八叉树（Octrees）进行高效空间划分的技术，旨在降低 3D 卷积神经网络的内存和计算需求，从而实现高分辨率的深度学习。本指南将帮助你快速搭建环境并运行示例。

环境准备

在开始之前，请确保你的系统满足以下要求：

系统要求

• 操作系统: Linux (推荐)
• 编译器: gcc 或 clang
• 构建工具: cmake
• GPU 支持 (可选但推荐): NVIDIA GPU 及 nvcc (CUDA Toolkit)
• 并行加速 (可选): OpenMP

依赖安装

你需要安装以下 Python 和开发库：

# 安装基础构建工具 (以 Ubuntu/Debian 为例)
sudo apt-get update
sudo apt-get install cmake build-essential

# 安装 CUDA (如需 GPU 加速，请根据 NVIDIA 官方文档安装对应版本的 nvcc)

# 安装 Python 依赖
pip install cython torch
# 国内用户推荐使用清华源加速安装
# pip install -i https://pypi.tuna.tsinghua.edu.cn/simple cython torch

安装步骤

OctNet 由多个子模块组成（核心库、GPU 代码、数据预处理、Python/Torch 封装）。你可以选择手动编译单个模块，或使用提供的脚本一键构建。

方法一：一键构建（推荐）

项目根目录提供了两个 Bash 脚本来自动化构建过程：

1. 仅构建 CPU 版本：

   ./build_cpu.sh
   

2. 构建完整版本（包含 GPU 网络和 Torch 封装）：

   ./build_all.sh
   

方法二：手动分步构建

如果你只需要特定模块，可以进入对应目录手动编译。

1. 构建核心库 (Core)

cd core
mkdir build
cd build
cmake ..
make -j
cd ../..

2. 构建 GPU 模块 (Core GPU)

cd core_gpu
mkdir build
cd build
cmake ..
make -j
cd ../..

3. 构建 Python 封装 (Py)

cd py
python setup.py build_ext --inplace
cd ..

4. 构建 Torch 封装 (Th)

cd th
mkdir build
cd build
cmake ..
make -j
cd ../..

基本使用

构建完成后，你可以参考官方提供的示例来训练一个简单的 3D 分类网络。

运行示例：ModelNet10 分类

示例代码位于 example/01_classification_modelnet/ 目录下。该示例展示了如何预处理数据并训练网络。

1. 进入示例目录：

   cd example/01_classification_modelnet/
   

2. 查看并运行脚本： 通常示例包含数据生成和训练脚本。请查阅该目录下的 README 或直接运行主脚本（具体文件名请参考目录内容，通常为 .sh 或 .py 文件）：

   # 假设运行训练脚本 (具体命令请以该目录下实际脚本为准)
   python train.lua 
   # 或者如果是 Python 接口
   python train.py
   

提示：由于 OctNet 主要基于 Lua/Torch7 生态（论文发表时期），部分示例可能使用 .lua 脚本。如果你主要使用 PyTorch，建议参考 py 和 th 目录下的封装接口，将 OctNet 的核心操作集成到你现有的 PyTorch 项目中。核心功能是通过八叉树结构处理稀疏 3D 数据，你可以利用 create 包将点云或网格转换为 OctNet 格式，然后输入到网络中。