Feb, 2024

一个基准超市数据集：来自单视图的真实世界点云

PDF
TL;DR介绍了一种名为 3DGrocery100 的大规模食品数据集，用于细粒度的食品目标识别，包括 100 个类别，由 87,898 个 3D 点云和 10,755 个 RGB-D 单视图图像创建而成，并在 6 个最新的 3D 点云分类模型以及少样本学习和持续学习的分类任务中进行了测试。
fine-grained grocery object recognition3d sensorslarge-scale grocery dataset3d point cloud classification modelsfew-shot and continual learning
发现论文，激发创造
  • 弗赖堡商品数据集

    本文介绍了一种包含 5,000 张超过 25 种不同杂货类别的图像数据集，可用于机器学习和机器人研究的训练、测试和引导。研究者基于这个数据集训练了一个基线分类器，得到了 78.9％的平均准确率。

    Nov, 2016

  • 重新审视点云分类：一个新的基准数据集和基于真实世界数据的分类模型

    本文研究基于点云数据的深度学习技术在解决三维计算机视觉领域中的经典问题方面的应用。作者介绍了 ScanObjectNN 数据集并展示了其对于点云对象分类问题的挑战性，提出了三个关键的挑战问题，并提出了一些解决方案，最终实现了在背景杂乱的情况下对于点云对象的分类，达到了最佳效果。

    Aug, 2019

  • 用于多视角三维重建的现实数据集

    本文介绍了一种包含近千个三维对象模型及超过 84 万个现实世界的 RGB 和深度图像数据集，旨在填补现有研究中缺乏的三维多视图重建的真实数据基准。该数据集通过半自动方式实现相机位置与物体姿态的精准标注，为形状重建、物体姿态估计、形状检索等 3D 应用提供了可能。数据集已开放，包含注释工具和评估基准源代码。

    Mar, 2022

  • 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

  • 家用物品机器人操作的 6 自由度位姿估计：可访问数据集和基准

    本文介绍了一个新的数据集，用于 6-DoF 姿态估计已知物体，在机器人操作研究方面重要。数据集由一组玩具杂货物品组成，旨在方便机器人抓取和操纵，提供了这些物品的 3D 模型和 RGBD 图像，可用于产生合成训练数据，并提出了一个新的姿态评估指标 ADD-H。

    Mar, 2022

  • 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

  • 用于物体实例检测的多视角 RGB-D 数据集

    介绍了一个新的多视角 RGB-D 数据集，用于目标检测和识别，包括多个识别基准和 AlexNet 模型，证明了该数据集比 Washington RGB-D Scenes 数据集更具挑战性。

    Sep, 2016

  • Building3D: 从点云中学习屋顶结构的城市级数据集和基准

    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

  • MVTec D2S: 浓密分割的超市数据集

    本文介绍了 Densely Segmented Supermarket（D2S）数据集，该数据集是一个新颖的实例感知语义分割基准，包含 21000 张高分辨率图像，具有所有对象实例的逐像素标签，其对象包括 60 个类别的杂货和日常用品。我们确保标签中没有歧义，每个实例都有全面的标注。该数据集涵盖了许多高度相关的挑战，如有限的训练数据和测试集，验证集的高多样性等。对 D2S 上最先进的物体检测和实例分割方法进行评估，结果表明还有很大的提升空间。

    Apr, 2018

  • 常见三维物体：大规模学习和评估真实场景下的 3D 类别重建

    该研究提供了一种名为 CO3D 的大规模数据集，其中包含了 50 种 MS-COCO 类别的近 19,000 个视频，共计 1.5 百万帧真实的多视角图像，带有相机姿态和地面真实 3D 点云的注释，并利用该数据集进行了新视角综合和类别为中心的 3D 重建方法的大规模 “野外” 评估，并提出了一种基于 Transformer 的新型神经渲染方法 NerFormer，可根据物体的少数视角重建整个物体。

    Sep, 2021