介绍了 Dayton Annotated LiDAR Earth Scan 数据集，该数据集是一个大规模的航空 LiDAR 数据集，涵盖 8 种物体类别的超过半亿个手动标注点，该数据集可以用于评估新的三维深度学习算法的性能，扩展当前算法的航空数据的研究重点。

Apr, 2020

本文介绍了一种基于移动激光扫描技术获得的城市点云自动分割和分类新数据集，可用于深度学习方法的训练。

Nov, 2017

本文介绍了由移动激光扫描系统在加拿大多伦多获取的大型城市室外点云数据集 Toronto-3D，覆盖约 1 公里的点云，包含大约 7830 万个点，共有 8 个标记的物体类别，通过基准实验进行语义分割，结果表明该数据集可以有效地训练深度学习模型，以此鼓励新的研究并且尽可能更新改进。

Mar, 2020

本文介绍了一个由三个英国城市中 7.6 平方公里的城市景观组成的大规模城市照相测量点云数据集，其中每个 3D 点都被标记为 13 个语义类别之一，并通过基于现有算法的综合分析来识别了几个关键问题。

Sep, 2020

本文介绍 SensatUrban 数据集，由近三十亿个带有精细语义注释的点云数据集组成，用于评估最先进的分割算法性能，并分析了限制城市规模点云理解的关键挑战。

Jan, 2022

本文介绍了一个新的 3D 点云分类基准数据集，其中包含超过 40 亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望 Semantic3D.net 能够为 3D 点云标注中的深度学习方法铺平道路。

Apr, 2017

本文提出了一个从电脑游戏中快速生成带有准确点级别标签的点云的框架，可用于深度学习算法的训练和神经网络的鲁棒性测试并提出了自动标定方法，实验表明将生成的合成数据与训练数据集相结合可显著提高点云分割的准确性 (+9%)，通过从用户配置场景的点云进行神经网络的测试和重新训练，可以修复神经网络的弱点 / 盲点。

Mar, 2018

这篇论文介绍了一个城市建模的数据集 Building3D，它包括超过 160,000 幢建筑物的点云、网格和线框模型，覆盖爱沙尼亚的 16 个城市，面积约为 998 平方公里。作者通过对先进算法的评估发现 Building3D 存在高内类别差异、数据不平衡和大规模噪声等挑战。这个数据集是首个最大规模的城市建模基准，可以用于监督学习和自监督学习方法的比较。作者认为 Building3D 将促进未来在城市建模、航路规划、网格简化和语义 / 部分分割等领域的研究。

Jul, 2023

我们提出了一个大规模的三维车道数据集 LiSV-3DLane，其中包含 2 万帧环视 LiDAR 点云，通过丰富的语义注释，捕捉了城市和高速公路环境中的复杂车道模式。为了解决稀疏的 LiDAR 数据在车道标注中的问题，我们利用车道线的几何特征和 LiDAR 数据的固有空间属性，设计了一个简单而有效的自动标注流程。我们还提出了一种新颖的基于 LiDAR 的三维车道检测模型 LiLaDet，将 LiDAR 点云的空间几何学习融入到基于 Bird's Eye View（BEV）的车道识别中。实验结果表明，LiLaDet 在 K-Lane 数据集和我们的 LiSV-3DLane 上的三维车道检测任务中优于现有的基于摄像头和 LiDAR 的方法。

Sep, 2023

介绍了 CityRefer 数据集，该数据集是最大的城市级地理定位数据集，用于表示具体的 3D 物体，并开发了基线系统来执行视觉定位任务。

Oct, 2023