BuildingNet: 学习标记 3D 建筑物
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
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
本研究提供了一个语义分割的语义丰富的、照片般逼真的三维建筑模型数据集和基准,以克服现有室外三维点云数据集在建筑外观方面的限制和详细注释方面的不足。
Jun, 2024
采用基于多面体的图神经网络模型 PolyGNN 对点云进行 3D 建筑重建,通过多面体分解网络学习组合原语,通过图节点分类实现紧密、紧凑和弱语义重构。
Jul, 2023
本研究提出了一种名为 MeshNet 的 Mesh 神经网络,用于从 Mesh 数据中学习 3D 形状表达,并应用于 3D 形状分类和检索任务,并通过与其他方法的比较,证明了该方法的有效性。
Nov, 2018
基于学习的方法,从空中激光雷达点云中重构建筑物为 3D 多边形网格,通过引入生成模型来适应各种建筑形状和结构,通过直接从点云数据中学习,减少误差传播并提高重构的准确性,在苏黎世、柏林和塔林的空中激光雷达数据上进行实验证明了方法的良好泛化能力。
Mar, 2024
本文旨在探究基于 BuildingNet 数据集的 3D 建筑类型分类和部件分割的多种学习策略,提出了使用扩展的 ULIP、PointNeXt 和 PointNeXt 分割方法进行分类和分割任务的解决方案。在多模态预训练的前提下,最佳的多任务 PointNeXt-s 模型在验证集上达到了 59.36% 的准确率和 31.68 的 PartIoU,PointNeXt XL 模型在 BuildingNet-Points 分割测试集上达到了 31.33 的 PartIoU 和 22.78 的 ShapeIoU,显著提高了建筑网络论文中所述的 PointNet ++ 模型的性能,并在 CVPR23 StruCo3D 工作室的 BuildingNet 挑战中获得了第一名。
Jun, 2023
本文介绍了一个丰富注释的 3D 点云数据集,以及用于分层分割任务的有效学习框架。提出了一种基于多任务学习和分层集成的两阶段方法,包括一种考虑不同层次之间一致性的度量。实验结果表明了所提出方法的优越性和分层注释的潜在优势。
Aug, 2020
本文介绍了一种新的人工合成数据集 Structured3D,为各种结构化三维建模任务提供大规模照片级真实感图像和丰富的三维结构注释,此外并利用该数据集与真实图像来训练深度神经网络,显著提高了房间布局估计性能。
Aug, 2019