Semantic 3D

这个数据级别的训练集有一个小BUG，是这个neugasse_station1_xyz_intensity_rgb.7z， 解压之后的名字是station1_xyz_intensity_rgb.txt，自己最好手动去修改成neugasse_station1_xyz_intensity_rgb.txt，不然跑一写程序会存在一些问题

简介

因为我们使用‘户外场景’的数据做实验，这种论文能投的期刊范围会更广一些。比如遥感类的期刊，就很喜欢这种场景，它不喜欢ModelNet40这种只有模型的数据库。

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这个通道，可以点击这里或者这里

• 是大范围点云分割的benchmark

• 自然场景超过40亿，有ground truth 和hand-labelled，加压后总大小大概150G

• 提供了两种数据：

  1. semantic-8，包含8类东西（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 没有ground truth也不应该没用于训练。训练集和测试集各15个，点云总数超过10亿， 所以作者怕你的算法受不了，所以提供了一个压缩版本的
  2. reduce-8训练集和semantic-8一样，测试集只是semantic-8的一部分。测试集是0.01m的均匀下采样.

我们的semantic3D.net数据集由使用静态地面激光扫描仪获取的密集点云组成。

它包含8个语义类，涵盖了广泛的城市户外场景:教堂、街道、铁轨、广场、村庄、足球场和城堡。

大约有40亿个手工标记的点，具有良好的评估，并不断更新子版本。这是第一个数据集，允许在真正的三维激光扫描上进行全面的深度学习，每个点都有高质量的手动标签。训练集和测试集各15个

我们发布的30个地面激光扫描由总计≈4 bil- lion 3D点组成，包含城市和农村场景，如农场、市政厅、运动场、城堡和市场广场。我们精心选择了各种不同的自然和人工场景，以防止分类器的过度拟合。所有发布的场景都是在中欧捕获的，并描述了典型的Eu- ropean体系结构，如图4所示。测量级激光扫描仪被用来记录这些场景。在后处理步骤中，通过部署由摄像机图像生成的高分辨率cubemap对图像进行着色。一般来说，静态激光扫描具有很高的分辨率，能够在很小的噪声下测量长距离。特别是与通过运动管道或类kinect结构光传感器导出的点云相比，激光扫描仪提供了表面数据质量。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

image-20190328095619959.png

强度值(左)、rgb颜色(中)和类标签(右)。

在这个基准测试挑战中，我们使用了以下8个类，包括:

1)人造地形:主要是路面;

2)自然地形:以草地为主;

3)高植被:树木和大灌木丛;

4)低植被:小于2米的花或小灌木;

5)建筑物:教堂、市政厅、车站、公寓等;

6)剩余硬景观:一个杂乱的类，例如加登墙，喷泉，银行等;

7)扫描伪影:静态扫描记录过程中，动态移动的物体引起的伪影;

小汽车和卡车。

其中一些类定义不明确，例如，一些扫描工件也可以用于汽车或卡车，很难区分大灌木丛和小灌木丛。然而，这些类在许多应用程序中是有用的。请注意，在大多数应用程序中，第7类扫描工件都是用启发式规则集过滤的。在这个基准测试中，我们希望部署机器学习技术，因此不执行任何启发式预处理。

 

 

 

 

 

 

 

 

 

 

 

image-20190328103110673.png

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