Semantic3D.net：一个新的大规模点云分类基准
计算机视觉与模式识别
2017-04-13 v1 机器学习
神经与进化计算
机器人学
摘要
本文提出了一个新的三维点云分类基准数据集，包含超过四十亿个手动标注的点，旨在作为数据密集型（深度）学习方法的输入。我们还讨论了使用该基准的首批提交成果，这些成果以深度卷积神经网络 (CNNs) 为核心，已显示出相较于最先进方法的显著性能提升。CNNs 已成为计算机视觉和机器学习中许多任务（如图像语义分割或目标检测）的事实标准，但由于缺乏训练数据，尚未在三维点云标注任务中取得真正突破。通过本文提出的大规模数据集，我们旨在填补这一数据缺口，以帮助释放深度学习方法在三维标注任务中的全部潜力。我们的 semantic3D.net 数据集由静态地面激光扫描仪获取的密集点云组成，包含 8 个语义类别，涵盖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。我们描述了标注接口，并表明与现有研究社区可用的数据集相比，我们的数据集提供了更密集、更完整的点云以及更高的标注点总数。我们还提供了基线方法描述以及对提交至我们在线系统的方法之间的比较。我们希望 semantic3D.net 能为深度学习方法在三维点云标注中学习更丰富、更通用的三维表示铺平道路，仅几个月后的首批提交结果表明情况确实可能如此。
引用
@article{arxiv.1704.03847,
title = {Semantic3D.net: A new Large-scale Point Cloud Classification Benchmark},
author = {Timo Hackel and Nikolay Savinov and Lubor Ladicky and Jan D. Wegner and Konrad Schindler and Marc Pollefeys},
journal= {arXiv preprint arXiv:1704.03847},
year = {2017}
}
备注
Accepted to ISPRS Annals. The benchmark website is available at http://www.semantic3d.net/ . The baseline code is available at https://github.com/nsavinov/semantic3dnet