在驗證算法魯棒性的時候用到了一些數據集,做一下總結。
- kitti數據集:自動駕駛
Are we ready for autonomous driving? the KITTI vision benchmark suite.(2012 CVPR)
這個文章中介紹了Kitti數據集,他公開了很多詳細的座標轉換函數和readme,認真去看就能處理出來。
http://www.cvlibs.net/datasets/kitti/index.php
- 百度Apollo數據集:自動駕駛
百度在加州南灣採集的真實公路數據,看到他們自己的文章在用。
DeepVCP An End-to-End Deep Neural Network for 3D Point Cloud Registration(2019 ICCV)
L3-Net: Towards learning based LiDAR localization for autonomous driving (2019 CVPR)
自己寫過一個文章總結了下,細節上還是有些問題沒搞清,不過百度這個數據集採集的好像比Kitti更加精確。
https://mp.csdn.net/postedit/102973999
- Stanford Lounge
一個斯坦福休息室的數據,看到下面兩個文章再用,要從深度視頻提取深度圖,再轉換成點雲,這點沒問題,真值,關鍵是真值,從局部座標系變換到世界座標系,兩個差距太大,最後也不知道怎麼用,問了沒人回覆了。
Fast and Accurate Point Cloud Registration using Trees of Gaussian Mixtures(2018 CVPR)
FilterReg Robust and Efficient Probabilistic Point-Set Registration using Gaussian Filter and Twist Parameterization(2019 CVPR)
數據鏈接:http://qianyi.info/scenedata.html
- 3D model of the office scene
辦公室場景的掃描,數據鏈接:https://www.microsoft.com/en-us/research/project/rgb-d-dataset-7-scenes/
提到的文章 Go-ICP: A Globally Optimal Solution to 3D ICP Point-Set Registration(2015 PAMI)
- 超多三維重建的真實數據
從文章:An Adaptive Data Representation for Robust Point-Set Registration and Mergin(2015 ICCV)中發現了這個網站,裏面有超多三維重建的真實場景數據集,我選用了它文章提到的兩個。
數據鏈接:http://kos.informatik.uni-osnabrueck.de/3Dscans/
總結:處理數據真的是讓我心力憔悴,很多不一樣的數據格式要轉換出來,然後去驗證它的真值,汗。等這陣忙完了把自己處理點雲數據的思路寫個文章吧,包含pcd,ply,stl,wrl,txt等等怎麼轉換。