conda env create -f environment.yml

@InProceedings{li2019deepgcns,
    title={DeepGCNs: Can GCNs Go as Deep as CNNs?},
    author={Guohao Li and Matthias Müller and Ali Thabet and Bernard Ghanem},
    booktitle={The IEEE International Conference on Computer Vision (ICCV)},
    year={2019}
}

@misc{li2019deepgcns_journal,
    title={DeepGCNs: Making GCNs Go as Deep as CNNs},
    author={Guohao Li and Matthias Müller and Guocheng Qian and Itzel C. Delgadillo and Abdulellah Abualshour and Ali Thabet and Bernard Ghanem},
    year={2019},
    eprint={1910.06849},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

DeepGCNs 快速上手指南

DeepGCNs 是一个旨在解决图卷积网络（GCN）难以加深训练问题的开源项目。它借鉴了 CNN 中的残差/密集连接和空洞卷积概念，成功构建了深层 GCN 架构，特别适用于 3D 点云语义分割任务。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux 或 macOS (Windows 需通过 WSL 或 Docker 运行)
• Python 版本: 推荐 Python 3.6+
• 核心依赖:
  • TensorFlow 1.12.0
  • h5py
  • VTK (仅用于可视化)
  • Jupyter Notebook (仅用于可视化)

提示：本项目基于 TensorFlow 1.x 开发，建议使用 conda 创建独立的虚拟环境以避免依赖冲突。国内用户可使用清华源或中科大源加速包下载。

安装步骤

1. 克隆代码库

首先从 GitHub 获取源代码：

git clone https://github.com/lightaime/deep_gcns.git
cd deep_gcns

2. 配置 Conda 环境

项目提供了 environment.yml 文件，可一键安装所有必要依赖。

标准安装命令：

conda env create -f environment.yml

国内加速方案（推荐）： 如果默认源下载缓慢，可指定使用清华镜像源：

conda env create -f environment.yml --channel https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

3. 激活环境

安装完成后，激活创建好的环境：

conda activate deep_gcns

基本使用

本项目主要功能集中在 3D 点云语义分割任务上，详细的使用说明和脚本位于 sem_seg 目录中。以下是快速启动流程：

1. 准备数据集

本项目默认支持 S3DIS Dataset。您需要先下载数据集并按照 sem_seg 文件夹下的说明进行预处理。

• 数据集地址：Stanford Building Parser
• 将下载的数据解压并放置到指定目录（具体路径请参考 sem_seg/README.md）。

2. 训练模型

进入语义分割目录，运行训练脚本。以下是一个典型的训练命令示例（具体参数可根据需求调整）：

cd sem_seg
python train.py --log_dir=log_deepgcns --dataset_path=/path/to/S3DIS

3. 评估与推理

使用预训练模型或训练好的权重进行评估：

python evaluate.py --log_dir=log_deepgcns --checkpoint_path=path/to/checkpoint

4. 可视化结果

若需查看分割结果的 3D 可视化，确保已安装 vtk 和 jupyter，然后运行可视化脚本或在 Jupyter Notebook 中加载相关代码：

jupyter notebook visualize.ipynb

注意：更多详细的超参数设置、不同架构（如 MRGCN, EdgeConv, GraphSage, GIN）的对比实验代码，请直接查阅 sem_seg 目录下的具体脚本文件。