【翻译论文】SEMANTIC3D.NET: A NEW LARGE-SCALE POINT CLOUD CLASSIFICATION BENCHMARK（2017）

【翻译论文】SEMANTIC3D.NET: A NEW LARGE-SCALE POINT CLOUD CLASSIFICATION BENCHMARK（2017）

SEMANTIC3D.NET：新的大规模点云分类基准
T Hackel，N Savinov，L Ladicky，Wegner, Jan D，K Schindler，M Pollefeys

DOI:10.5194/isprs-annals-IV-1-W1-91-2017

摘要：

本文提出了一个新的 3D 点云分类基准数据集，其中包含超过 40 亿个手动标记点，作为数据密集型（深度）学习方法的输入。我们还讨论了使用深度卷积神经网络 (CNN) 作为工作马的基准测试的首次提交，它已经显示出与最先进技术相比显着的性能改进。 CNN 已成为计算机视觉和机器学习中许多任务（如图像中的语义分割或对象检测）的事实上的标准，但由于缺乏训练数据，尚未导致 3D 点云标记任务的真正突破。借助本文中提供的海量数据集，我们旨在缩小这一数据差距，以帮助释放深度学习方法在 3D 标记任务中的全部潜力。我们的语义 3D.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。我们描述了我们的标签界面，并表明我们的数据集提供了更密集和更完整的点云，与研究社区已经可用的相比，标签点的总数要高得多。我们进一步提供了基线方法描述和提交到我们在线系统的方法之间的比较。我们希望语义 3D.net 将为 3D 点云标记中的深度学习方法铺平道路，以学习更丰富、