Apr, 2024

ECLAIR：用于语义分割的高保真航空 LiDAR 数据集

PDF
TL;DRECLAIR 是一个新的室外大规模航空激光雷达数据集，它旨在推动点云语义分割的研究。该数据集是迄今为止最全面和多样化的，覆盖面积为 10 平方公里，包含近 6 亿个点，并包含 11 个不同的物体类别。作为一个基准测试，我们使用 Minkowski 引擎对基于体素的点云分割方法进行定性和定量分析。
发现论文，激发创造
  • DALES：用于语义分割的大规模空中 LiDAR 数据集

    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

  • DublinCity: 带注释的 LiDAR 点云及其应用

    本文介绍了一种用于城市规模高密度航空激光扫描（ALS）点云数据的标注数据集，并将其用于训练卷积神经网络（CNNs）分类城市元素和用于城市规模基于图像的 3D 建模的性能验证。

    Sep, 2019

  • 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

  • FLAIR：多源光学影像的国家尺度地表覆盖语义分割数据集

    FLAIR 是法国地理和森林信息国家研究所（IGN）提供的一个大规模地理数据集，包含高分辨率航空图像和时间序列光谱数据，用于大规模土地覆盖语义分割的方法的开发和评估，以及对城市增长、森林破坏和土地人工化等人类发展指标的监测和理解。

    Oct, 2023

  • FRACTAL：用于多样化景观的三维语义分割的超大规模航空雷达数据集

    通过采样、建立并评估一个大规模的倾斜航空激光雷达 (FRACTAL) 数据集，从而支持大规模土地监测的三维深度学习方法的发展。

    May, 2024

  • 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

  • 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

  • SemanticKITTI: 一个用于 LiDAR 序列的语义场景理解数据集

    本文提出了一个基于汽车激光雷达的大型数据集，用于推动基于激光的语义分割研究。作者提出了三项基于该数据集的基准任务，包括使用单个扫描和使用多个过去扫描的语义分割，以及需要预测未来语义场景的语义场景预测。作者提供了基线实验，并表明需要更复杂的模型才能有效处理这些任务。该数据集不仅为更先进的方法的开发打开了大门，而且还提供了丰富的数据来调查新的研究方向。

    Apr, 2019

  • 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