pomelo93

hi @Yang7879 ,thank for your reply! I have another question can not understand in your paper. You said : ''Different color indicates different instance. The same instance may not have...

@Yang7879,你好，我是不是可以这样理解。假如一个room有5个instance，分别为：2chairs==>ins_id=0,ins_id=1，1table==>ins_id=2，1sofa==>ins_id=3，1bookcase==>ins_id=4.那么maybe ins_labels=[0,0,1,1,1,2,2,3,4,3,...]，在helper_data_plot.py中，np.unique(pc_semins)=[0,1,2,3,4],也就意味着随机选择color时，不同的实例ins_id也就是0，1，2，3，4会显示不同的颜色， 但是ins_id =0,1都是chair，同一个类别，也是显示不同的颜色。也就是说，plot时，给每一个实例分配一种颜色，但是不同的实例可能是同一个类别，比如有2个实例都是chair。 但是，如果我在可视化的时候，helper_data_plot.py 37行draw_pc_semins 传参 pc_semins = sem_labels,尽管来自不同实例，只要它们类别一样，比如2个chairs，还是会显示一样的颜色。 另外，还有一个疑问，在预测的时候，每一个room会最多预测24个instance吗？我看代码中ins_max_num = 24。期待你的回复，感谢！

@Yang7879 ，您好，是不是这样啊，比如在预测的时候，其实一个room里假如有4096个点来自于同一个对象，比如都是sofa，但是预测的时候可能会把其中比如300个点预测为另外一个对象，这样，可视化的时候同一个对象就显示为不同的颜色了。对吗？另外，我上面的comment理解有误吗？谢谢！

@Yang7879 ，你好，非常感谢你的回复！还有一个小疑问啊，每一个room 会分成若干个blocks，训练及测试时都是batch个block 批量输入，那么ins_max_num=24 应该是针对每一个block最多预测24个instance吧，所以最后block merge后，一个room可能会预测很多个instance，我打印了Area_5_hallway_1.h5 的测试结果也即是Area_5_hallway_1.h5.mat，其中np.unique(ins_pred_all)=[0,1,2,...,145]，也就是说Area_5_hallway_1这个point cloud 预测了145个instance，对吗？但是我看S3DIS raw data Area_5_hallway_1 里面的Annotations里面只有26个instance，为什么instance 预测差异这么大？ main_eval.py line 228-236 我理解的应该是remove small instance，根据main_eval.py line 235 参数0.3 或者0.5等过滤保留预测的更有效的instance，那么怎么对remove后的instance可视化，remove的instance可能是来自于同一个instance 也可能是不同的instance但是同一caterogy。另外，np.unique(sem_pred_all)总是[0,1,2,...12]吗？因为我打印了几个不同的.mat文件，发现总是预测了13类。还有，在你的paper中，2.3 节Point Mask Prediction 中，把所有预测的bounding boxes...