SensatUrban：从城市尺度摄影测量点云中学习语义
计算机视觉与模式识别
2022-01-13 v1 机器人学
摘要
随着商用深度传感器和 3D 扫描仪近来的可得性与可负担性，越来越多的 3D（即 RGBD、点云）数据集被公开以促进 3D 计算机视觉研究。然而，现有数据集要么覆盖面积相对较小，要么语义标注有限。城市尺度 3D 场景的细粒度理解仍处于起步阶段。本文中，我们介绍 SensatUrban，一个城市尺度的无人机摄影测量点云数据集，包含从三座英国城市采集的近三十亿个点，覆盖 7.6 km^2。数据集中每个点都标注了细粒度语义标签，使得该数据集规模为先前最大摄影测量点云数据集的三倍。除道路、植被等较常见类别外，我们的数据集还包含铁路、桥梁、河流等城市级类别。基于该数据集，我们进一步构建了一个基准来评估最先进分割算法的性能。特别地，我们提供了全面分析并识别出限制城市尺度点云理解的若干关键挑战。数据集可从 http://point-cloud-analysis.cs.ox.ac.uk 获取。
引用
@article{arxiv.2201.04494,
title = {SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point Clouds},
author = {Qingyong Hu and Bo Yang and Sheikh Khalid and Wen Xiao and Niki Trigoni and Andrew Markham},
journal= {arXiv preprint arXiv:2201.04494},
year = {2022}
}
备注
Accepted by IJCV 2022