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。
