城市尺度三维点云的语义分割:数据集、基准和挑战
(未完))
论文 Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset, Benchmarks and Challenges
github https://github.com/QingyongHu/SensatUrban*.*
简介
在三维场景理解领域中,释放有监督深度学习算法潜力的一个基本先决条件是可以获得大规模且具有丰富注释的数据集。然而,由于数据采集和数据注释成本高昂,公共可用数据集的空间尺度相对较小,或者语义注释有限,这严重限制了在三维点云环境下细粒度语义理解的发展。在本文中,我们提出了一个城市规模的摄影测量点云数据集,该数据集具有近30亿个丰富的注释点,其标记点的数量是现有最大的摄影测量点云数据集的三倍。我们的数据集包含来自三个英国城市的大片区域,覆盖了约7.6平方公里的城市景观。在数据集中,每个3D点都标记为13个语义类中的一个。我们在数据集上对最新算法的性能进行了紧张的评估,并对结果进行了全面的分析。特别是,我们确定了城市规模点云理解的几个关键挑战。