该数据集的目的是提供一种简单的方法来开始3D计算机视觉问题，如3D形状识别。

该数据集包含从MNIST数据集的原始图像生成的3D点云，以便为用于处理2D数据集（图像）的人员提供熟悉的3D介绍。

在3D_from_2D笔记本中，您可以找到用于生成数据集的代码。

您可以使用笔记本中的代码从原始数据集生成更大的3D数据集。

内容

full_dataset_vectors.h5

整个数据集存储为从所有3D点云的体素化（x：16，y：16，z：16）获得的4096-D向量。

在原始点云的作用下，它包含带噪声的随机旋转副本。

完整数据集被拆分为数组：

• X_train（10000,4096）
• y_train（10000）
• X_test（2000,4096）
• y_test（2000）

读取完整数据集的示例python代码：

 with h5py.File("../input/train_point_clouds.h5", "r") as hf:    
     X_train = hf["X_train"][:]
     y_train = hf["y_train"][:]    
     X_test = hf["X_test"][:]  
     y_test = hf["y_test"][:]  

train_point_clouds.h5＆test_point_clouds.h5

5000（火车）和1000（测试）3D点云以HDF5文件格式存储。点云的平均值为零，最大维度范围为1。

每个文件分为HDF5组

每个组在原始mnist数据集中被命名为其对应的数组索引，它包含：

• “点”数据集：x, y, z点云中每个3D点的坐标。
• “法线”数据集：nx, ny, nz单位正常的组件与每个点相关联。
• “img”数据集：原始的mnist图像。
• “label”属性：原始的mnist标签。

示例python代码读取2位数并将一些组内容存储在元组中：

with h5py.File("../input/train_point_clouds.h5", "r") as hf:    
    a = hf["0"]
    b = hf["1"]    
    digit_a = (a["img"][:], a["points"][:], a.attrs["label"]) 
    digit_b = (b["img"][:], b["points"][:], b.attrs["label"]) 

voxelgrid.py

简单的Python类，从3D点云生成体素网格。检查内核是否使用。

plot3D.py

具有在jupyter笔记本内绘制点云和voxelgrid的功能的模块。由于Kaggle的笔记本缺乏对呈现Iframe的支持，你必须在本地运行。

功能包括：

• array_to_color 将1D数组转换为rgb值，color在plot_points（）中用作kwarg

• plot_points(xyz, colors=None, size=0.1, axis=False)

• plot_voxelgrid(v_grid, cmap="Oranges", axis=False)