Mar, 2022

STPLS3D：一个大规模的合成和真实航空摄影测量三维点云数据集

PDF
TL;DR探索通过改进人们的能力来创造大规模注释的航空摄影测量点云的 3D 数据生成方法，利用开源地理空间数据和商业软件来生成精确的语义和实例注释，提出 STPLS3D 数据集并在其上进行的实验表明了该数据集的有效性和质量。
3d data generationphotogrammetry point cloudssynthetic aerialsemantic annotationsdataset
发现论文，激发创造
  • 面向城市尺度三维点云的语义分割：数据集、基准和挑战

    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

  • SensatUrban：从城市规模摄影测量点云中学习语义

    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

  • SynthCity：大规模的合成点云数据集

    论文介绍了一个名为 SynthCity 的新型开放式数据集，可以提供一个用于深度学习自动分类三维点云数据的高质量的数据源。采用合成数据进行预训练网络是可能的解决方案。本文的贡献在于介绍了一种基于 3D 虚拟环境生成的全色移动激光扫描点云的数据集。

    Jul, 2019

  • Campus3D：用于层次式室外场景理解的摄影测量点云基准

    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

  • 从合成到真实激光雷达点云的迁移学习用于语义分割

    通过收集含有准确几何形状和综合语义类别的点云注释的 SynLiDAR，以及设计点云翻译器 PCT，将合成数据转换为真实数据，这极大地提高了点云翻译，为研究 3D 转换提供了高质量的数据来源。

    Jul, 2021

  • Semantic3D.net：一个新的大规模点云分类基准

    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

  • Toronto-3D：一个用于城市道路语义分割的大规模移动激光雷达数据集

    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

  • 使用合成数据训练基于点的深度学习网络进行森林分割

    通过使用合成数据集，我们开发了一个逼真的模拟器，生成了合成的森林场景，用于开展不同基于点云的深度学习网络在森林分割方面的比较研究，并确定了使用合成数据来训练深度学习网络对真实森林数据集中的点云进行分类的可行性。

    Mar, 2024

  • Paris-Lille-3D：大规模高质量城市点云数据集，用于自动分割和分类

    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

  • Structured3D: 用于结构化三维建模的大型真实照片数据集

    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