Semantic 3D

這個數據級別的訓練集有一個小BUG，是這個neugasse_station1_xyz_intensity_rgb.7z， 解壓之后的名字是station1_xyz_intensity_rgb.txt，自己最好手動去修改成neugasse_station1_xyz_intensity_rgb.txt，不然跑一寫程序會存在一些問題

簡介

因為我們使用‘戶外場景’的數據做實驗，這種論文能投的期刊范圍會更廣一些。比如遙感類的期刊，就很喜歡這種場景，它不喜歡ModelNet40這種只有模型的數據庫。

We provide both training and test data as zipped ascii text files with format {x, y, z, intensity, r, g, b}. The ground truth is provided as single column ascii file, where the row ids of the class labeles and the points correspond
如何理解instensity這個通道，可以點擊這里或者這里

• 是大范圍點雲分割的benchmark

• 自然場景超過40億，有ground truth 和hand-labelled，加壓后總大小大概150G

• 提供了兩種數據：

  1. semantic-8，包含8類東西（1: man-made terrain, 2: natural terrain, 3: high vegetation, 4: low vegetation, 5: buildings, 6: hard scape, 7: scanning artefacts, 8: cars, 0: unlabeled points）。0lable 沒有ground truth也不應該沒用於訓練。訓練集和測試集各15個，點雲總數超過10億， 所以作者怕你的算法受不了，所以提供了一個壓縮版本的
  2. reduce-8訓練集和semantic-8一樣，測試集只是semantic-8的一部分。測試集是0.01m的均勻下采樣.

我們的semantic3D.net數據集由使用靜態地面激光掃描儀獲取的密集點雲組成。

它包含8個語義類，涵蓋了廣泛的城市戶外場景:教堂、街道、鐵軌、廣場、村庄、足球場和城堡。

大約有40億個手工標記的點，具有良好的評估，並不斷更新子版本。這是第一個數據集，允許在真正的三維激光掃描上進行全面的深度學習，每個點都有高質量的手動標簽。訓練集和測試集各15個

我們發布的30個地面激光掃描由總計≈4 bil- lion 3D點組成，包含城市和農村場景，如農場、市政廳、運動場、城堡和市場廣場。我們精心選擇了各種不同的自然和人工場景，以防止分類器的過度擬合。所有發布的場景都是在中歐捕獲的，並描述了典型的Eu- ropean體系結構，如圖4所示。測量級激光掃描儀被用來記錄這些場景。在后處理步驟中，通過部署由攝像機圖像生成的高分辨率cubemap對圖像進行着色。一般來說，靜態激光掃描具有很高的分辨率，能夠在很小的噪聲下測量長距離。特別是與通過運動管道或類kinect結構光傳感器導出的點雲相比，激光掃描儀提供了表面數據質量。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

image-20190328095619959.png

強度值(左)、rgb顏色(中)和類標簽(右)。

在這個基准測試挑戰中，我們使用了以下8個類，包括:

1)人造地形:主要是路面;

2)自然地形:以草地為主;

3)高植被:樹木和大灌木叢;

4)低植被:小於2米的花或小灌木;

5)建築物:教堂、市政廳、車站、公寓等;

6)剩余硬景觀:一個雜亂的類，例如加登牆，噴泉，銀行等;

7)掃描偽影:靜態掃描記錄過程中，動態移動的物體引起的偽影;

小汽車和卡車。

其中一些類定義不明確，例如，一些掃描工件也可以用於汽車或卡車，很難區分大灌木叢和小灌木叢。然而，這些類在許多應用程序中是有用的。請注意，在大多數應用程序中，第7類掃描工件都是用啟發式規則集過濾的。在這個基准測試中，我們希望部署機器學習技術，因此不執行任何啟發式預處理。

 

 

 

 

 

 

 

 

 

 

 

image-20190328103110673.png

format {x, y, z, intensity, r, g, b}

作者：jill809
鏈接：https://www.jianshu.com/p/3147f5bc81f0
來源：簡書
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。