论文阅读SUM: A benchmark dataset of Semantic Urban Meshes

题目：SUM: A benchmark dataset of Semantic Urban Meshes
来源：代尔夫特理工 建筑与建筑环境学院 3D geoinformaton research
期刊：ISPRS journal
摘要
数据采集技术的发展使我们能够快速采集三维纹理网格。它们可以帮助我们理解和分析城市环境，因此对空间分析和城市规划等应用非常有用。通过深度学习方法对纹理网格进行语义分割可以增强这种理解，但需要大量的标记数据。本文的贡献主要体现在三个方面:(1)一个新的语义城市网格基准数据集;(2)一个新的半自动标注框架;(3)一个三维网格标注工具。特别是,我们的数据集覆盖大约4平方公里在赫尔辛基(芬兰),六类,我们估计节省约600 h的标签使用我们的注释工作框架,其中包括初始分割和互动的细化。我们还比较了几种最先进的三维语义分割方法在新的基准数据集上的性能。其他研究人员可以使用我们的结果来训练他们的网络:数据集是公开的，注释工具是开源的。数据集合地址：https://3d.bk.tudelft.nl/projects/meshannotation/，标注工具：https://github.com/tudelft3d/3D_Urban_Mesh_Annotator

具体的：
在本文中，目标是建立一个由航空倾斜图像重建的大尺度城市网格的基准数据集。为了实现这一目标，我们提出了一个半自动网格标注框架，该框架包括两个部分:(1)自动生成原始三维网格的中间标签;(2)对这些标签进行手工语义细化。对于中间标签生成步骤，我们开发了一种语义网格分割方法，将每个三角形分类为预定义的对象类。这种语义初始化使我们在数据集中对三角形面进行分类时达到了93.0%的总体准确率，节省了大量手工标记的工作量。然后，在语义细化步骤中，使用网格标注工具(我们已经开发)来细化预先标记数据的语义标签。使用提出的框架生成了一个语义丰富的城市网格数据集，包含1900万个三角形，覆盖约4平方公里，包含城市环境中常见的6类对象:地形、高植被、建筑、水、车辆和船只，使用半自动标注框架，生成地面真值只需要大约400 h;我们估计手工标记三角形需要超过1000个小时。

贡献如下：
1、 一个语义丰富的城市网格数据集，包含6类常见城市对象的纹理信息；
2、 一种半自动网格标注框架，由两部分组成:用于语义网格分割的管道和用于语义精炼的标注工具;
3、 在新的数据集上对当前的语义分割方法进行了综合评价和比较。

语义分割网格总览：

标注工具：