点云数据集

最新推荐文章于 2025-02-12 12:15:00 发布
最新推荐文章于 2025-02-12 12:15:00 发布
阅读量9.2k 收藏 96
点赞数 14
分类专栏： 点云 文章标签： 神经网络 点云
原文链接：https://blog.csdn.net/zhulf0804/article/details/110259055?spm=1001.2014.3001.5501
版权
本文介绍了四个重要的3D数据集：ModelNet40用于点云分类，包含9843个训练样本和2468个测试样本；ShapeNetPart针对点云分割，涵盖16类和50个parts，16846个样本；S3DIS用于室内场景语义分割，涉及11种场景和14个类别；3DMatch专注于点云配准任务，包含62个场景的数据。这些数据集在计算机视觉和3D理解领域具有广泛的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、ModelNet40（点云分类）

普林斯顿ModelNet项目的目标是为计算机视觉、计算机图形学、机器人和认知科学领域的研究者们提供一个全面、干净的三维CAD模型集合, 该数据的主页地址https://modelnet.cs.princeton.edu, 数据最早发布在论文3D ShapeNets: A Deep Representation for Volumetric Shapes [CVPR 2015]上.

相关工作人员从数据中选择了常见的40类和10类构成数组子集, 分别表示为ModelNet40和ModelNet10, 且两个数据集都有orientation aligned的版本。实验中数据用到比较多的是ModelNet40, 有如下三种数据形式:

数据集modelnet40_normal_resampled.zipmodelnet40_ply_hdf5_2048.zipModelNet40.zip
文件大小1.71G435M2.04G
内容

point: x, y, z, normal_x, normal_y, normal_z;

shape: 10k points

point: x, y, z; normal_x, normal_y, normal_z;

shape: 2048 points

off格式, 具体参考这里
训练集 / 测试集9843 / 24689840 / 24689844 / 2468
下载地址modelnet40_normal_resampled.zipmodelnet40_ply_hdf5_2048.zipModelNet40.zip

二、ShapeNet Part（点云分割）

 ShapeNet数据集是一个有丰富标注的、大规模的3D图像数据集, 发布于ShapeNet: An Information-Rich 3D Model Repository [arXiv 2015], 它是普林斯顿大学、斯坦福大学和TTIC研究人员共同努力的结果, 官方主页为shapenet.org.ShapeNet包括ShapeNetCore和ShapeNetSem子数据集.

ShapeNet Part是从ShapeNetCore数据集选择了16类并进行语义信息标注的数据集, 用于点云的语义分割任务, 其数据集发表于A Scalable Active Framework for Region Annotation in 3D Shape Collections [SIGGRAPH Asia 2016], 官方主页为 ShapeNet Part. 数据包含几个不同的版本, 其下载链接分别为shapenetcore_partanno_v0.zip (1.08G)和shapenetcore_partanno_segmentation_benchmark_v0.zip(635M). 下面就第2个数据集segmentation benchmark进行介绍:

从下面表格可以看出, ShapeNet Part总共有16类, 50个parts，总共包括16846个样本。该数据集中样本呈现出不均衡特性，比如Table包括5263个, 而Earphone只有69个。每个样本包含2000多个点, 属于小数据集。该数据集中训练集12137个, 验证集1870个, 测试集2874个, 总计16881个。[注意, 这里和下面表格统计的(16846)并不一样, 后来发现是训练集、验证集和测试集有35个重复的样本]

类别nparts/shapensamples平均npoints/shape
Airplane426902577
Bag2762749
Cap2552631
Car48982763
Chair437462705
Earphone3692496
Guitar37872353
Knife23922156
Lamp415462198
Laptop24452757
Motorbike62022735
Mug21842816
Pistol32752654
Rocket3662358
Skateboard31522529
Table352632722
Total50168462616

三、S3DIS（语义分割）

S3DIS是3D室内场景的数据集, 主要用于点云的语义分割任务。主页http://buildingparser.stanford.edu/dataset.html. 关于S3DIS的论文是Joint 2D-3D-Semantic Data for Indoor Scene Understanding [arXiv 2017]和3D Semantic Parsing of Large-Scale Indoor Spaces [CVPR 2016]. S3DIS从3个building的6个Area采集得到, Area1, Area3, Area6属于buidling1, Area2和Area4属于building 2, Area5属于building 3. 常用的数据下载格式包括如下三种:

其中Stanford3dDataset_v1.2_Aligned_Version.zip和Stanford3dDataset_v1.2.zip都是完整场景的数据集, 每个点对应6个维度(x, y, z, r, g, b), 而indoor3d_sem_seg_hdf5_data.zip是对原始数据场景的切割，把大场景切割成1m x 1m的block: 完整数据集被切割成了23585个block, 每个block是4096个点, 每个点对应9个维度: 除了x, y, z, r, g, b信息外，剩余的3维是相对于所在大场景的位置(归一化坐标).

下面是由Stanford3dDataset_v1.2.zip数据统计得到的关于S3DIS的信息, 可能和论文中一些结果不太一致。S3DIS数据集由以上6个Area采集得到, 共包含272个场景, 可分为11种不同的场景(括号内为场景数量, 场景大小(点的数量)): office(156, 87w), conference room(11, 142w), hallway(61, 122w), auditorium(2, 817w), open space(1, 197w), lobby(3, 242w), lounge(3, 146w), pantry(3, 58w), copy room(2, 52w), storage(19, 35w) and WC(11, 70w). 根据语义信息, 上述场景被分成14个类别, 如下表所示. 可以看到不同的类别也是不均衡的, 比如wall有1547个, 但sofa只有55个.

Totalcolumnclutterchairwindowbeamfloorwallceilingdoorbookcaseboardtablesofastairs
98332543882136316815928415473855435841374555517

四、3DMatch数据集(关键点、特征描述子、点云配准等)

3DMatch数据集收集了来自于62个场景的数据，其中54个场景的数据用于训练，8个场景的数据用于评估，其具体名称查看train.txt和test.txt。3DMatch数据常用于3D点云的关键点，特征描述子，点云配准等任务。

官方主页 | 3DMatch: Learning Local Geometric Descriptors from RGB-D Reconstructions [CVPR 2017]

3DMatch原始数据集: 下载地址，共包括64个.zip文件。

以其中一个场景7-scenes-stairs为例，介绍其数据格式，如下截图所示，原始的3DMatch数据集包括两个.txt文件，多个seq文件夹，每个seq文件夹下包括多帧的.color.png, .depth.png, .pose.txt，可以看到， 其本身是不包括点云数据的，但是可以由这些数据生成点云数据(ply)，一般是50帧-100帧生成一个点云数据，生成点云的代码可以参考fuse_fragments_3DMatch.py。

'7-scenes-stairs'

 下面介绍3DMatch的训练集，包括FCGF和D3Feat处理的训练集。

1、3DMatch的训练集(FCGF)

3DMatch训练集来自54个场景，详细类别名称参见train.txt。每个场景均由1个seq或者多个seq的数据组成。这里以FCGF 网络使用的数据格式为例介绍3DMatch数据集。

首先，从这里下载训练集，下载解压后可以得到401个txt文件和2189个npz文件。2189个npz对应每个点云数据，包括(x, y, z)及对应的(r, g, b)信息，其中命名规则是场景@seqid-id，例如7-scenes-chess@seq-01_000.npz，表示此数据来自7-scenes-chess场景的seq-01，编号为000。401个txt表示这些npz的点云数据是如何关联的，其命名规则为场景@seqid-overlap，如7-scenes-chess@seq-01-0.30.txt表示7-scenes-chess场景的seq-01下的overlap大于0.30的数据，打开此文件后，可以看到如下信息:

7-scenes-chess@seq-01_000.npz 7-scenes-chess@seq-01_001.npz 0.886878
7-scenes-chess@seq-01_000.npz 7-scenes-chess@seq-01_002.npz 0.636459
7-scenes-chess@seq-01_000.npz 7-scenes-chess@seq-01_003.npz 0.825012
7-scenes-chess@seq-01_000.npz 7-scenes-chess@seq-01_004.npz 0.783642

每一行表示点云之间的对应关系，如第一行表示点云7-scenes-chess@seq-01_000.npz和7-scenes-chess@seq-01_001.npz具有0.886878的overlap。可视化结果如下，第一个图中的红色的点云是7-scenes-chess@seq-01_000.npz，蓝色的点云是7-scenes-chess@seq-01_001.npz，可以看到两者是对齐的；第二个图是这两个点云的rgb信息的可视化。

'3dmatch-fcgf'

 

'3dmatch-fcgf-color'

 统计了一下，54个场景总共提供了7960对点云。

2、3DMatch训练集(D3Feat)

下载D3Feat训练使用的3DMatch数据集，解压后是6个.pkl文件，分别是 3DMatch_train_0.030_keypts.pkl, 3DMatch_train_0.030_overlap.pkl, 3DMatch_train_0.030_points.pkl, 3DMatch_val_0.030_keypts.pkl, 3DMatch_val_0.030_overlap.pkl和 3DMatch_val_0.030_points.pkl，可以通过这里查看这些.pkl文件是如何产生的。

  • 3DMatch_train_0.030_keypts.pkl存储了什么信息 ?

    点云名(str, 如sun3d-brown_bm_1-brown_bm_1/seq-01/cloud_bin_0) -> 点云(ndarray, n x 3)。

    总共有3933个点云数据，点云点最少的是850个，点云点最多的是197343，平均点云点数量是27127。

  • 3DMatch_train_0.030_overlap.pkl存储了什么信息 ?

    点云对(str, 如7-scenes-pumpkin/seq-07/cloud_bin_11@7-scenes-pumpkin/seq-08/cloud_bin_2) -> overlap值(float)

    总共有35297个点云对，overlap的最小值为0.30，最大值0.995，平均值为0.515。

  • 3DMatch_train_0.030_points.pkl存储了什么信息 ?

    点云对(str, 如analysis-by-synthesis-office2-5b/seq-01/cloud_bin_34@analysis-by-synthesis-office2-5b/seq-01/cloud_bin_35) -> 映射关系(ndarray, m x 2)

  • 可视化pairs中的点云和对应关键点

'3dmatch-d3feat'

左图为两个具有overlap的点云的可视化，中间和右边的可视化是分别在红色和绿色点云上添加了对应点(蓝色区域)(来自于3DMatch_train_0.030_points.pkl)的可视化结果。

3、3DMatch的测试集

3DMatch的测试集包括以下8个场景，其中每个场景对应两个文件夹。以7-scenes-redkitchen为例，它包括7-scenes-redkitchen和7-scenes-redkitchen-evaluation两个文件夹，7-scenes-redkitchen文件夹下存放的是点云数据，命名格式均为cloud_bin_*.ply，共包括60个点云数据；7-scenes-redkitchen-evaluation/gt.log存放了correspondences点云对，组织格式为:

0    1   60
 9.96926560e-01   6.68735757e-02     -4.06664421e-02     -1.15576939e-01
-6.61289946e-02   9.97617877e-01      1.94008687e-02     -3.87705398e-02
 4.18675510e-02  -1.66517807e-02      9.98977765e-01      1.14874890e-01
 0.00000000e+00   0.00000000e+00      0.00000000e+00      1.00000000e+00
0    2   60
 9.54999224e-01   1.08859481e-01     -2.75869135e-01     -3.41060560e-01
-9.89491703e-02   9.93843326e-01      4.96360476e-02     -1.78254668e-01
 2.79581388e-01  -2.01060700e-02      9.59896612e-01      3.54627338e-01
 0.00000000e+00   0.00000000e+00      0.00000000e+00      1.00000000e+00

0 1 60中的0和1表示cloud_bin_0.ply和cloud_bin_1.ply点云是成对的，60表示总共包括有60个点云数据(前面也提到过)，下面四列表示cloud_bin_1.ply -> cloud_bin_0.ply的变换矩阵。

可视化变换后的点云，红色的表示cloud_bin_0.ply点云，蓝色的表示对cloud_bin_1.ply变换后的点云，可视化结果显示两者基本重叠:

'3dmatch-test'

其它场景的统计数据如下，可视化和统计信息的代码均可通过test_set.py实现。

名称点云数量Pairs数量
7-scenes-redkitchen60506
sun3d-home_at-home_at_scan1_2013_jan_160156
sun3d-home_md-home_md_scan9_2012_sep_3060208
sun3d-hotel_uc-scan355226
sun3d-hotel_umd-maryland_hotel157104
sun3d-hotel_umd-maryland_hotel33754
sun3d-mit_76_studyroom-76-1studyroom266292
sun3d-mit_lab_hj-lab_hj_tea_nov_2_2012_scan1_erika3877
总计4331623

五、3DMatch数据集的评估指标

评估指标主要基于FCGF [ICCV 2019]，评估代码请参考https://github.com/chrischoy/FCGF/blob/master/scripts/benchmark_3dmatch.py。但Registration Recall的实现我感觉有问题，待日后再做补充吧。

  •  Feature-match Recall

 R=\frac{1}{M} \Sigma_{s=1}^{M} 1\left(\left[\frac{1}{\left|\Omega_{s}\right|} \Sigma_{(i, j) \in \Omega_{s}} 1\left(\left\|T^{*} \mathrm{x}_{i}-\mathrm{y}_{j}\right\|<\tau_{1}\right)\right]>\tau_{2}\right)

 M表示pairs点云对的数量，1 表示指示函数，\Omega_{s}是第s 个pair的correspondences，T^{*}表当前pair点云的G.T.的R,t变换。\mathrm{y}_{j}是\mathrm{x}_{i}在Y中选择的Feature Distance最小的点，即\mathrm{y}_{j}=\arg \min _{\mathrm{y}_{j}}\left\|F_{\mathrm{x}_{i}}-F_{\mathrm{y}_{j}}\right\|，\mathrm{y}_{j} \in Y。\tau_{1}和\tau_{2}是两个超参数，常取值\tau_{1} = 0.1, \tau_{2} = 0.05。

简单的说，就是有M个点云对，对每一个点云对做一个是特征好/坏的判断: 在真实R,t的情况下，计算(x_{i}, y_{j})距离小于\tau_{1}的比例r，如果r大于\tau_{2}，则表示这个点云特征好，否则特征是坏的。

  •  Registration Recall

 E_{\mathrm{RMSE}}=\sqrt{\frac{1}{\Omega_{*}} \Sigma_{\left(\mathrm{x}^{*}, \mathrm{y}^{*}\right) \in \Omega_{*}}\left\|\hat{T}_{i, j} \mathrm{x}^{*}-\mathrm{y}^{*}\right\|^{2}}

 \Omega_{*}表示(i,j)点云对中correspondences的数量，(x^{*}, y^{*})表示G.T.的pair，\hat{T}_{i,j}表示基于(i,j)点云对预测的R，t变换。

对于具有至少30% overlap的点云对，如果E_{RMSE}<0.2,则表示这是一个正确的点云对。

PCD格式点云数据集
10-26
这是斯坦福的著名小兔子模型的点云数据（有ply和PCD格式），里面一共有6个模型。原数据下载地址http://www.cc.gatech.edu/projects/large_models/
点云数据集合
01-31
点云数据模型样本，不同视角下的点云数据。包括一个正面，一个底面，两个侧面的大工件数据。
大盘点 | 基于深度学习的点云分割网络及点云分割数据集
CV_Autobot的博客
10-22 2059
编辑|深蓝前沿点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取后台回复【数据集下载】获取计算机视觉近30种数据集！引言点云分割是根据空间、几何和纹理等特征对点云进行划分，使得同一划分内的点云拥有相似的特征。点云的有效分割是许多应用的前提，例如在三维重建领域，需要对场景内的物体首先进行分类处理，然后才能进行后期的识别和重建。传统的点云分割主要依赖聚类算法和基于随机采样一致性的分...
点云处理系列 - 点云配准
最新发布
Adunn的专栏
02-12 2138
1. 点云配准 点云配准是将两个或多个点云数据集融合到一个统一的坐标系统中的过程。这通常是为了创建一个完整的模型或融合从不同视角采集的数据。 点云配准一般分为粗配准和精配准，粗配准指的是在两幅点云之间的变换完全未知的情况下进行较为粗糙的配准，目的主要是为精配准提供较好的变换初值；精配准则是给定一个初始变换，进一步优化得到更精确的变换。 2. 点云粗配准: 特征匹配、穷举搜索、概率分布 3. 点云精配准：基于优化（ICP、GICP、NICP、图优化、GMM、半定规划）、特征学习、端到端学习
点云数据集大全（附官网地址和下载链接）
qq_56233492的博客
04-09 5316
点云数据集大全（附官网地址和下载链接）持续更新
【点云数据集】
qq_43509900的博客
10-12 3303
这是最近看到的比较全的关于点云数据集的文章，转载过来供大家学习。
点云数据集汇总整理（匠心之作，附官方下载地址）
热门推荐
qq_27816785的博客
05-19 6万+
点云公开数据集 1 点云分类和分割 1.1 ModelNet40 （点云分类） 普林斯顿 ModelNet 项目的目标是为计算机视觉、计算机图形学、机器人学和认知科学领域的研究人员提供全面、干净的对象 3D CAD 模型集合。 包含数据集： ModelNet40： ModelNet10： modelnet40_ply_hdf5_2048： modelnet40_normal_resampled 数据内容： 飞机、汽车、椅子、碗、瓶、键盘、楼梯、… 采集方式： 发布单位： 普林斯顿大学 下载地址： htt
点云数据集综述及整理
QfcaLinux的博客
09-25 165
以上是几个常用的点云数据集的综述和加载示例代码。这些数据集对于点云处理和机器学习任务的研究和实践非常有价值，可以用于模型训练、算法评估和场景分析等领域。希望本文对您有所帮助！点云数据集是一种广泛应用于计算机视觉和机器学习领域的重要数据形式。本文将对几个常用的点云数据集进行综述和整理，并提供相应的源代码示例。
经典点云数据集+点云+点云处理算法
05-24
本资源包“经典点云数据集+点云+点云处理算法”提供了斯坦福大学的一系列经典点云模型，对于研究和开发点云处理算法的人员来说，是一个非常有价值的参考资料。 首先，我们要理解什么是点云。点云是由一系列空间坐标...
drow 2d激光雷达点云数据集
03-06
DROW 2D激光点云数据集是一个用于机器学习和计算机视觉研究的重要资源。它包含了通过激光传感器获取的二维点云数据，可以用于目标检测、目标跟踪、场景理解等多个应用领域。 核心原理是通过激光传感器扫描周围环境...
斯坦福大学点云数据集 点云库学习必备
08-04
斯坦福大学的点云数据集是这个领域中极具影响力的资源，为研究者和开发者提供了丰富的实践素材。下面将详细讨论点云库的基本概念、点云数据集的重要性和斯坦福大学数据集的特点。 点云库（Point Cloud Library，...
S3DIS 点云数据集 网盘链接
02-02
### S3DIS 点云数据集介绍 #### 数据集概览 S3DIS（Stanford Large-Scale 3D Indoor Spaces Dataset）是一个大型室内3D空间的点云数据集，由斯坦福大学的研究团队创建并公开发布。该数据集旨在为计算机视觉、机器...
buliding\horse\pig\rabbit\table\wolf等各种点云数据集pcd文件
11-24
点云数据集是计算机视觉和三维重建领域的重要资源，它们由大量的三维点组成，用于表示现实世界中的物体或场景的几何形状。在这个压缩包中，包含了一系列与不同对象相关的点云数据，如建筑物（buliding）、马（horse...
点云数据集大全
gitblog_06546的博客
09-20 631
点云数据集大全 点云数据集大全附官网地址和下载链接 项目地址: https://gitcode.com/Resource-Bundle-Collection/7355a 本...
【点云数据集介绍】
py今天刷题了吗
06-23 1344
Classification on ModelNet403D Object Classification on ScanObjectNN3D Object Part Segmentation on ShapeNetPart3D Semantic Segmentation on S3DIS
3D目标检测Lidar_only 数据集和项目汇总
有所为，有所成长
08-13 4502
主要论文一览
3D点云模型（数据集）下载（亲测）
Vertira的博客
04-11 4900
3D点云模型（数据集）下载（亲测）
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值