3D目標檢測/點云/遙感數(shù)據(jù)集匯總

這是我在找尋帶框標注的三維點云建筑物數(shù)據(jù)集過程中發(fā)現(xiàn)的一些數(shù)據(jù)集，我是奔著找建筑物去的，還有很多關于室內(nèi)場景和自動駕駛車前場景的數(shù)據(jù)集在此就不列出了。

歡迎補充和交流！??！

數(shù)據(jù)集：

• 1. 點云分類(羅蒙諾索夫莫斯科國立大學)
• 2. Semantic3D
• 3. Robotic 3D Scan Repository
• 4. KITTI
• 5. Beyond PASCAL: A Benchmark for 3D Object Detection in the Wild
• 6. Oakland 3-D Point Cloud Dataset（奧克蘭 ）
• 8.武大遙感數(shù)據(jù)
• 9 . DOTA數(shù)據(jù)集(images)
• 10. DIOR
• 11.LEVIR
• 12. NWPU VHR-10
• 13. INRIA aerial image dataset
• 14. 悉尼城市建筑
• 15. isprs點云數(shù)據(jù)
• 16. 中科院自動化所數(shù)據(jù)集
• 17. ILSVRC
• 18. ImageNet
• 19. SUN database
• 20. SUN-RGBD數(shù)據(jù)集
• 21. ModelNet
• 22. NYU Depth V2 dataset
• 23. DTU dataset
• 24. 普林斯度視覺和機器人實驗室數(shù)據(jù)集

1. 點云分類(羅蒙諾索夫莫斯科國立大學)

Legend: red — ground, black — building, navy — car, green — tree, cyan — low-vegetation.

鏈接：點云分類：https://graphics.cs.msu.ru/en/node/922

2. Semantic3D

大規(guī)模點云分類基準，它提供了一個帶有大標簽的自然場景的3D點云數(shù)據(jù)集，總計超過40億個點，8個類別標簽。并且還涵蓋了多種多樣的城市場景。
該數(shù)據(jù)集是一個大型戶外數(shù)據(jù)集，使用地面激光掃描儀獲得，總共包含 40億個點。數(shù)據(jù)集包含了各種城市和鄉(xiāng)村場景，如農(nóng)場，市政廳，運動場，城堡和廣場。該數(shù)據(jù)集包含 15 個訓練數(shù)據(jù)集和 15 個測試數(shù)據(jù)集，另外還包括 4 個縮減了的測試數(shù)據(jù)集。數(shù)據(jù)集中的點都含有 RGB 和強度信息，并被標記為 8 個語義類別。

8個類別標簽的分類基準，即 1：人造地形；2：自然地形；3：高植被；4：低植被；5：建筑物；6：硬景觀；7：掃描人工制品，8：汽車 。附加標簽 0：未標記點，標記沒有地面真值的點

鏈接：Semantic3D：http://www.semantic3d.net/

3. Robotic 3D Scan Repository

包含大量的Riegl和Velodyne雷達數(shù)據(jù),可能更適合slam研究

Authors Johannes Schauer, Andreas Nüchter from the University of Würzburg, Germany
Date 2016-10-27
Location Würzburg marketplace (geo:49.79445,9.92928)
Scanner Riegl VZ-400
#scans 6
#points 86585411
Datatype X,Y,Z (lefthanded) and reflectance in uosr format
Download wue_city.tar.xz
MD5 9b38cad10038ee4f3abbdd7b8431fa27
Filesize 1187 MiB (5117 MiB unpacked)
README README.wue_city

Robotic 3D Scan Repository：http://kos.informatik.uni-osnabrueck.de/3Dscans/

4. KITTI

這個數(shù)據(jù)集來自德國卡爾斯魯厄理工學院的一個項目，其中包含了利用KIT的無人車平臺采集的大量城市環(huán)境的點云數(shù)據(jù)集（KITTI），這個數(shù)據(jù)集不僅有雷達、圖像、GPS、INS的數(shù)據(jù)，而且有經(jīng)過人工標記的分割跟蹤結(jié)果，可以用來客觀的評價大范圍三維建模和精細分類的效果和性能。
3D對象檢測基準由7481個訓練圖像和7518個測試圖像以及相應的點云組成，包括總共80256個帶標簽的對象，單聲道和立體相機數(shù)據(jù),包括校準、測程法等等。

鏈接：http://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d

5. Beyond PASCAL: A Benchmark for 3D Object Detection in the Wild

PASCAL3D +數(shù)據(jù)集，它是用于3D對象檢測和姿態(tài)估計的新穎且具有挑戰(zhàn)性的數(shù)據(jù)集。PASCAL3D +通過3D注釋增強了PASCAL VOC 2012 [12]的12個剛性類別。此外，從ImageNet 為每個類別添加了更多圖像。與現(xiàn)有的3D數(shù)據(jù)集相比，PASCAL3D +圖像具有更大的可變性，并且每個類別平均有3,000多個對象實例。該數(shù)據(jù)集將為研究3D檢測和姿態(tài)估計提供豐富的測試平臺，并將有助于顯著推動這一領域的研究。在新的數(shù)據(jù)集上提供了DPM 的變化結(jié)果，用于在不同情況下進行對象檢測和視點估計。

物體檢測和姿態(tài)估計的基準（10個類別，每個類別有10個對象實例）

鏈接：https://cvgl.stanford.edu/projects/pascal3d.html

6. Oakland 3-D Point Cloud Dataset（奧克蘭 ）

這個數(shù)據(jù)庫的采集地點是在美國卡耐基梅隆大學周圍，數(shù)據(jù)采集使用Navlab11，配備側(cè)視SICK LMS激光掃描儀，用于推掃。其中包含了完整數(shù)據(jù)集、測試集、訓練集和驗證集。

鏈接：http://www.cs.cmu.edu/~vmr/datasets/oakland_3d/cvpr09/doc/

7.  Generic 3D Representation via Pose Estimation and Matching

該數(shù)據(jù)集涵蓋紐約，芝加哥，華盛頓，拉斯維加斯，佛羅倫薩，阿姆斯特丹，舊金山和巴黎的市中心和周邊地區(qū)。包含這些城市的3D模型以及街景圖像和元數(shù)據(jù)，這些模型已進行地理注冊并手動生成。

鏈接：http://3drepresentation.stanford.edu/

8.武大遙感數(shù)據(jù)

WHU-RS19 Dataset 是一個遙感影像數(shù)據(jù)集，其包含 19 個類別的場景影像共計 1005 張，其中每個類別有 50 張。WHU-RS19是從谷歌衛(wèi)星影像上獲取19類遙感影像，可用于場景分類和檢索。

該數(shù)據(jù)集由武漢大學于 2011 年發(fā)布，相關論文有《Satellite Image Classification via Two-layer Sparse Coding with Biased Image Representation》。

建議的基準數(shù)據(jù)集包括 115 次掃描，共收集了 17.4 億多個 3D 點，這些點來自 11 個不同的環(huán)境（即地鐵站、高速鐵路站臺、山區(qū)、森林、公園、校園、住宅、河岸、文物建筑、地下挖掘和隧道），這里僅取文物與住宅點云。

鏈接：https://download.csdn.net/download/cp_oldy/10666758（我沒下載，不知可用否）

暫無有效鏈接，需要可向武大申請使用

9 . DOTA數(shù)據(jù)集(images)

數(shù)據(jù)集是遙感圖像，DOTA1.5是在DOTA基礎上擴增的數(shù)據(jù)集
DOTA數(shù)據(jù)集包含2806張航空圖像，尺寸大約為4kx4k，包含15個類別共計188282個實例。其標注方式為四點確定的任意形狀和方向的四邊形（區(qū)別于傳統(tǒng)的對邊平行bbox）

標注格式：

在數(shù)據(jù)集中，每個實例的位置由四邊形邊界框注釋，可以表示為“x 1，y 1，x 2，y 2，x 3，y 3，x 4，y 4”，其中（xi，yi）表示圖像中定向邊界框頂點的位置。頂點按順時針順序排列。以下是采用的注釋方法的可視化。黃點代表起點。它指的是：（a）飛機的左上角，（b）大型車輛鉆石的左上角，（c）扇形棒球的中心。

鏈接：https://download.csdn.net/download/qq_40238334/12240956?utm_medium=distribute.pc_relevant.none-task-download-BlogCommendFromMachineLearnPai2-2.pc_relevant_is_cache&depth_1-utm_source=distribute.pc_relevant.none-task-download-BlogCommendFromMachineLearnPai2-2.pc_relevant_is_cache

10. DIOR

“DIOR”是一個用于光學遙感圖像目標檢測的大規(guī)模基準數(shù)據(jù)集。數(shù)據(jù)集包含23463個圖像和192472個實例，涵蓋20個對象類。這20個對象類是飛機、機場、棒球場、籃球場、橋梁、煙囪、水壩、高速公路服務區(qū)、高速公路收費站、港口、高爾夫球場、地面田徑場、天橋、船舶、體育場、儲罐、網(wǎng)球場、火車站、車輛和風磨。

鏈接：http://www.escience.cn/people/gongcheng/DIOR.html

11.LEVIR

LEVIR數(shù)據(jù)集由大量 800 × 600 像素和0.2m?1.0m /像素的高分辨率Google Earth圖像和超過22k的圖像組成。LEVIR數(shù)據(jù)集涵蓋了人類居住環(huán)境的大多數(shù)類型地面特征，例如城市，鄉(xiāng)村，山區(qū)和海洋。數(shù)據(jù)集中未考慮冰川，沙漠和戈壁等極端陸地環(huán)境。數(shù)據(jù)集中有3種目標類型：飛機，輪船（包括近海輪船和向海輪船）和油罐。所有圖像總共標記了11k個獨立邊界框，包括4,724架飛機，3,025艘船和3,279個油罐。每個圖像的平均目標數(shù)量為0.5。

鏈接：http://levir.buaa.edu.cn/Code.htm

12. NWPU VHR-10

西北工業(yè)大學標注的航天遙感目標檢測數(shù)據(jù)集，共有800張圖像，其中包含目標的650張，背景圖像150張，目標包括：飛機、艦船、油罐、棒球場、網(wǎng)球場、籃球場、田徑場、港口、橋梁、車輛10個類別。開放下載，大概73M.

鏈接：https://pan.baidu.com/s/1hqwzXeG#list/path=/

13. INRIA aerial image dataset

Inria是法國國家信息與自動化研究所簡稱，該機構(gòu)擁有大量數(shù)據(jù)庫，其中此數(shù)據(jù)庫是一個城市建筑物檢測的數(shù)據(jù)庫，標記只有building, not building兩種，且是像素級別，用于語義分割。訓練集和數(shù)據(jù)集采集自不同的城市遙感圖像。

鏈接：https://project.inria.fr/aerialimagelabeling/

14. 悉尼城市建筑

這個數(shù)據(jù)集包含用Velodyne HDL-64E LIDAR掃描的各種常見城市道路對象，收集于澳大利亞悉尼CBD。含有631個單獨的掃描物體，包括車輛、行人、廣告標志和樹木等。可以用來測試匹配和分類算法。

Sydney Urban Objects Dataset 下面是數(shù)據(jù)格式:


鏈接：http://www.acfr.usyd.edu.au/papers/SydneyUrbanObjectsDataset.shtml

15. isprs點云數(shù)據(jù)

ISPRS官方提供了航空、無人機、傾斜影像數(shù)據(jù)進行密集匹配和三維重建，以下給出相應的數(shù)據(jù)獲取地址。

• 航空數(shù)據(jù)

一共提供了兩組航空實驗數(shù)據(jù)，一組是高樓林立的加拿大Toronto地區(qū)，另一組是半農(nóng)村地區(qū)的德國Vaihingen地區(qū)。兩組數(shù)據(jù)的航向重疊度為60%，旁向重疊度為30%。

鏈接：https://www2.isprs.org/commissions/comm2/wg4/benchmark/detection-and-reconstruction/

• 無人機數(shù)據(jù)

鏈接：https://www2.isprs.org/commissions/comm1/icwg-1-2/benchmark_main/

• 傾斜數(shù)據(jù)

鏈接：https://www2.isprs.org/commissions/comm1/icwg-1-2/benchmark_main/

16. 中科院自動化所數(shù)據(jù)集

國內(nèi)的中科院自動化研究所提供了多組近景三維重建的數(shù)據(jù)集。

鏈接：http://vision.ia.ac.cn/zh/data/index.html

17. ILSVRC

ImageNet Large Scale Visual Recognition Challenge

鏈接：https://image-net.org/challenges/LSVRC/2014/

18. ImageNet

ImageNet相關信息如下：

1）Total number of non-empty synsets: 21841
2）Total number of images: 14,197,122
3）Number of images with bounding box annotations: 1,034,908
4）Number of synsets with SIFT features: 1000
5）Number of images with SIFT features: 1.2 million

鏈接：https://image-net.org/download

19. SUN database

• 131067 Images
• 908 Scene categories
• 313884 Segmented objects
• 4479 Object categories

有10,000張RGB-D圖片，有58,657個3D包圍框和146,617 個2d包圍框，是NYU Depth V2 dataset的超集，多了3D bounding boxes和room layouts的標注。

鏈接：http://sun.cs.princeton.edu/

20. SUN-RGBD數(shù)據(jù)集

SUN-RGBD數(shù)據(jù)集由四種不同的傳感器獲取，分別為kinect1,kinect2,xction,

SUNRGBD V1包含10335張RGBD圖片，19個類的對象。這些圖片來自數(shù)據(jù)集NYU depth v2(既NYUDv2),B3DO,SUN3D,使用SUNRGBD此數(shù)據(jù)集的時候不要忘了引用其包含的數(shù)據(jù)集的相關論文文獻。

鏈接：http://rgbd.cs.princeton.edu/

21. ModelNet

ModelNet總共有662中目標分類，127915個CAD，以及十類標記過方向朝向的數(shù)據(jù)。
其中包含了三個子集：

• ModelNet10為十個標記朝向的子集數(shù)據(jù)；
• ModelNet40為40個類別的三維模型；
• Aligned40：40類標記的三維模型；

數(shù)據(jù)格式：.OFF

數(shù)據(jù)特點：結(jié)構(gòu)簡單，不適合做點云數(shù)據(jù)集，模型結(jié)構(gòu)更多通過邊來體現(xiàn)

鏈接：http://modelnet.cs.princeton.edu/

22. NYU Depth V2 dataset

關于RGBD 圖像場景理解的數(shù)據(jù)庫

提供1449張深度圖片和他們的密集2d點類標注

鏈接：https://cs.nyu.edu/~silberman/datasets/nyu_depth_v2.html

23. DTU dataset

關于3D場景的數(shù)據(jù)集，有124個場景，每場景有49/64個位置的RGB圖像和結(jié)構(gòu)光標注

鏈接：http://roboimagedata.compute.dtu.dk/?page_id=36

24. 普林斯度視覺和機器人實驗室數(shù)據(jù)集

這一實驗室提供17個三維視覺的數(shù)據(jù)集，除了上面提到的ShapeNet和SUN3D外，還有：

• SUN RGB-D數(shù)據(jù)集，包含了室內(nèi)場景分類、語義分割、房間布置和物體朝向等標注，其中有 10,000 張RGB-D 圖像, 標注包含 146,617 2D 個多邊形和 58,657 3D 個框。

• SUN GC數(shù)據(jù)集包含了45k個手工創(chuàng)造的三維室內(nèi)場景，包含了深度信息和每個物體的語義標簽。

• 此外還有Matterport3D室內(nèi)rgbd數(shù)據(jù)集
  這是一個大型RGB-D數(shù)據(jù)集，包含來自90個建筑規(guī)模場景的194,400個RGB-D圖像的10,800個全景。批注提供了表面重建，相機姿勢以及2D和3D語義分割。整個建筑物的精確全局對齊和全面，多樣的全景視圖集可實現(xiàn)各種有監(jiān)督和自我監(jiān)督的計算機視覺任務，包括關鍵點匹配，視圖重疊預測，根據(jù)顏色進行的正常預測，語義分割和場景分類。
  
  鏈接：https://niessner.github.io/Matterport/

鏈接：http://3dvision.princeton.edu/datasets.html