基于深度学习的点云分割网络及点云分割数据集( 三 ) 来源|新机器视觉作者丨泡椒味

5.1Semantic3D
经典的大型室外场景点云分割数据集，由激光雷达扫描周围场景得到。 Semantic3D提供了一个带有大标签的自然场景的3D点云数据集，总计超过40亿个点， 8个类别标签。
数据集包含了各种城市和乡村场景，如农场，市政厅，运动场，城堡和广场。该数据集包含15个训练数据集和15个测试数据集，另外还包括4个缩减了的测试数据集。数据集中的点都含有RGB和深度信息，并被标记为8个语义类别，分别是1：人造地形；2：自然地形；3：高植被；4：低植被；5：建筑物；6：硬景观；7：扫描人工制品， 8：汽车，附加标签0：未标记点，标记没有地面真值的点。
数据集地址：
http://www.semantic3d.net/

文章图片

文章图片
5.2S3DIS
S3DIS数据集是斯坦福大学开发的带有像素级语义标注的语义数据集，是常用的室内场景分割数据集，使用Matterport相机收集数据，包含6个Area ， 13个语义元素， 11种场景。
其中13个语义元素分别包括：天花板ceiling、地板floor、墙壁wall、梁beam、柱column、窗window、门door、桌子table、椅子chair、沙发sofa、书柜bookcase、板board、混杂元素(其他)clutter；11种场景分别包括办公室office、会议室conferenceroom、走廊hallway、礼堂auditorium、开放空间openspace、大堂lobby、休息室lounge、储藏室pantry、复印室copyroom、储藏室storage和卫生间WC 。
数据集地址：
http://buildingparser.stanford.edu/dataset.html

文章图片

文章图片
5.3SemanticKITTI
SemanticKITTI数据集是一个基于KITTIVisionBenchmark里程计数据集的大型户外点云数据集，显示了市中心的交通、住宅区，以及德国卡尔斯鲁厄周围的高速公路场景和乡村道路。原始里程计数据集由22个序列组成，作者将序列00到10拆分为训练集，将11到21拆分为测试集，并且为了与原始基准保持一致，作者对训练和测试集采用相同的划分，采用和KITTI数据集相同的标定方法，这使得该数据集和KITTI数据集等数据集可以通用。
SemanticKITTI数据集作者提供了精确的序列扫描注释，并且在点注释中显示了前所未有的细节，包含28个类，确保了类与MapillaryVisiotas数据集和Cityscapes数据集有很大的重叠，并在必要时进行了修改，以考虑稀疏性和垂直视野。
数据集地址：
http://www.semantic-kitti.org/index.html

文章图片
5.4ShapeNet
ShapeNet数据集是一个由对象的三维CAD模型表示的形状存储库，注释丰富，规模较大。 ShapeNet包含来自多种语义类别的3D模型，并按照WordNet分类法组织，能够完成部件分割任务，即不仅知道这个点云数据大的分割，还要将它的小部件进行分割。它总共包括十六个大的类别，每个大的类别有可以分成若干个小类别，十六个类别具体包括：飞机Airplane、包Bag、帽子Cap、汽车Car、椅子Chair、耳机Earphone、吉他Guitar、刀Knife、灯Lamp、电脑Laptop、摩托车Motorbike、杯子Mug、手枪Pistol、火箭Rocket、滑板Skateboard、桌子Table 。
数据集地址：
https://www.shapenet.org/

文章图片