点云数据集

转载自：点云数据集-T_niubility、三维点云开源数据集汇总-Pluto0054
整理汇总如下，仅供学习之用。

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.
模型：没有颜色信息的飞机、杯子、椅子、吉他等40个模型。

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.zip	modelnet40_ply_hdf5_2048.zip	ModelNet40.zip
文件大小	1.71G	435M	2.04G
内容	point: x, y, z, normal_x, normal_y, normal_z; shape: 10k points	point: x, y, z; shape: 2048 points	off格式, 具体参考这里
训练集 / 测试集	9843 / 2468	9840 / 2468	9844 / 2468
下载地址	modelnet40_normal_resampled.zip	modelnet40_ply_hdf5_2048.zip	ModelNet40.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.

网址: http://web.stanford.edu/~ericyi/project_page/part_annotation/index.html
模型：没有颜色信息，有法线信息的，带有标注的飞机、杯子、帽子等16个类别的模型。

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/shape	nsamples	平均npoints/shape
Airplane	4	2690	2577
Bag	2	76	2749
Cap	2	55	2631
Car	4	898	2763
Chair	4	3746	2705
Earphone	3	69	2496
Guitar	3	787	2353
Knife	2	392	2156
Lamp	4	1546	2198
Laptop	2	445	2757
Motorbike	6	202	2735
Mug	2	184	2816
Pistol	3	275	2654
Rocket	3	66	2358
Skateboard	3	152	2529
Table	3	5263	2722
Total	50	16846	2616

三、S3DIS Dataset (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. (但官方主页我暂时访问不了了, 关于数据集背景的介绍性说明就不写了). 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buidling 1, 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:

• Stanford3dDataset_v1.2_Aligned_Version.zip或从百度网盘【提取码0acs】下载, 比如: RandLA-Net
• Stanford3dDataset_v1.2.zip,或从百度网盘【提取码2hc9】下载 比如: CloserLook3D
• indoor3d_sem_seg_hdf5_data.zip, 比如:  PointNet
• 网址：http://buildingparser.stanford.edu/dataset.html
  模型：室内分割数据集，模型为每个房间共计271个，房间内有13类物体。
  

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.

Total	column	clutter	chair	window	beam	floor	wall	ceiling	door	bookcase	board	table	sofa	stairs
9833	254	3882	1363	168	159	284	1547	385	543	584	137	455	55	17

四、 室内场景NYU Depth Dataset V2
网址：https://cs.nyu.edu/~silberman/datasets/nyu_depth_v2.html

五、 城市场景的三维重建和语义网格标记

网址：http://www.vision.ee.ethz.ch/~rhayko/paper/eccv2014_riemenschneider_multiviewsemseg/
模型：建筑物

六、 标注过 3D 室内场景重构信息的大规模 RGB-D 数据集

   网址：http://www.scan-net.org/
1、 网格数据（.ply）
2、 RGB-D传感器留流数据（.sens）
3、 2D标注数据

   七、 室内场景和小物体数据库

  网址：http://rgbd-dataset.cs.washington.edu/

缺点：只有一个视点片面的点，反面没有点。

   八、 室内场景

  网址: https://github.com/alexsax/2D-3D-Semantics

Datasets(更多资源 -> 这里)

• KITTI: Are we ready for autonomous driving? the KITTI vision benchmark suite [CVPR 2012]
• ModelNet: 3d shapenets: A deep representation for volumetric shapes [CVPR 2015]
• SUN RGB-D: Sun rgb-d: A rgb-d scene understanding benchmark suite [CVPR 2015]
• ShapeNet Part: A Scalable Active Framework for Region Annotation in 3D Shape Collections [SIGGRAPH Asia 2016]
• ScanNet: Scannet: Richly-annotated 3d reconstructions of indoor scenes [CVPR 2017 ]
• S3DIS: Joint 2D-3D-Semantic Data for Indoor Scene Understanding [arXiv 2017]
• Semantic3D: Semantic3D.net: A new Large-scale Point Cloud Classification Benchmark [arXiv 2017]
• SemanticKITTI: SemanticKITTI: A Dataset for Semantic Scene Understanding of LiDAR Sequences [ICCV 2019]
• PartNet: PartNet: A Large-scale Benchmark for Fine-grained and
  Hierarchical Part-level 3D Object Understanding [CVPR 2019]

附、3DMatch数据集(关键点、特征描述子、点云配准等)

请查看https://github.com/zhulf0804/3D-PointCloud/tree/master/3DMatch。