文章：Toronto-3D: A Large-scale Mobile LiDAR Dataset for Semantic Segmentation of Urban Roadways

作者：Weikai Tan1 , Nannan Qin1,2, Lingfei Ma1 , Ying Li1 , Jing Du3 , Guorong Cai3 , Ke Yang4 , Jonathan Li1,4* 1Department of Geography and Environmental Management

代碼：https://github.com/WeikaiTan/Toronto-3D

編譯：點云PCL

本文僅做學術分享，如有侵權，請聯系刪除。歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈。內容如有錯誤歡迎評論留言，未經允許請勿轉載！

公眾號致力于分享點云處理，SLAM，三維視覺，高精地圖相關的文章與技術，歡迎各位加入我們，一起每交流一起進步,有興趣的可聯系微信：920177957。本文來自點云PCL博主的分享，未經作者允許請勿轉載，歡迎各位同學積極分享和交流。

摘要

大規模室外點云的語義分割對于城市場景理解具有重要意義，尤其是在自動駕駛和城市高精地圖中。隨著移動激光掃描（MLS）系統的快速發展，大量的點云可以用于場景理解，但是對于開發基于深度學習的方法來說，公開的大規模標記數據集仍然是有限的。本文介紹了加拿大多倫多MLS系統獲取的用于語義分割的大型城市室外點云數據集Toronto-3D。這個數據集覆蓋了大約1公里的點云，由大約7830萬個點和8個標記的對象類組成。實驗結果表明，該數據集能夠有效地訓練深度學習模型。Toronto-3D發布是為了鼓勵新的研究，標簽將根據研究社區的反饋進行改進和更新。

主要貢獻

本文介紹了一個由MLS系統采集的大型城市室外點云數據集Toronto-3D。這個數據集覆蓋了1公里的街道，由大約7830萬個點組成。該數據集的一個樣本如圖1所示。

本文的主要貢獻是：

?提出了一個大規模的按點云標注的城市室外點云數據集用于語義分割，

?研究了一個用于點云語義分割的集成網絡，

?對提出的數據集上應用最先進的深度學習語義分割方法進行廣泛比較。

圖1.數據集的一部分。頂部：具有自然顏色（RGB）的數據集。底部：類標簽

表1顯示了綜合指標與之前的數據集的對比結果

主要內容

Toronto-3D

該數據集中的點云是通過車載MLS系統Teledyne Optech Maverick2獲得的。該系統由32線激光雷達傳感器、ladybug5全景相機、GNSS系統和同步定位與建圖（SLAM）系統組成。該激光雷達傳感器可以捕捉點云在高達700000點每秒在垂直視野覆蓋-10? 至+30? , 精度優于3厘米。利用LMS-Pro3軟件對采集到的點云進行進一步處理。該數據集收集于加拿大多倫多的Avenue Road，覆蓋約1km路段，約7830萬個點。該數據集分為四個部分，每個部分覆蓋的范圍約為250米。圖2中示出了每個部分的近似邊界的概述。

圖2.數據集概述。上圖：數據集中每個部分的大致邊界（來自Google地圖的衛星圖像）。底部：標簽概述（每個類有不同的顏色）。

與以前的數據集類似，定義了對象類標簽具體如下：
?道路（標簽1）：鋪砌路面，包括人行道、路緣、停車場
?道路標記（標簽2）：路面標記，包括行駛路線、箭頭、人行橫道
?天然樹木（標簽3）：樹木、灌木，不包括草還有裸露的土壤
?建筑物（標簽4）：低層和多層的任何部分建筑物、店面
?公用線路（標簽5）：電力線、電信
?電線桿（標簽6）：電線桿、交通標志、燈柱
?汽車（標簽7）：在道路上行駛的汽車和停放的汽車側面和停車場
?圍欄（標簽8）：垂直屏障，包括木制建筑工地的圍墻
?未分類（標簽0）

在該數據集中各個標簽的統計如表2

使用Toronto-3D的語義分割方法的結果如表3所示。

KPFCNN和MS TGNet語義分割結果的直觀比較如圖4所示。

圖4.語義分割結果的視覺比較

總結

本文介紹了一個由MLS系統采集的大型城市室外點云數據集Toronto-3D。數據集覆蓋了加拿大多倫多約1公里的道路，超過7800萬個點。所有點云數據都保留在數據收集范圍內，以類似于實際應用場景。該數據集被手動標記為8個類別，包括道路、道路標記、自然樹木、建筑、公用線路、電線桿、汽車和圍欄。五個最先進的端到端點云語義分割算法和一個名為MS-TGNet的網絡被測試為這個數據集的基準。所提出的MS-TGNet能夠產生與最新方法相比較的性能，在新的數據集中實現最高的mIoU（60.96%）和有競爭力的OA（91.69%）。Toronto-3D數據集提供了新的類標簽，包括道路標線、公用事業線和圍欄，所有測試過的語義分割方法都需要改進道路標線和圍欄。展示這個新的點云數據集的目的是鼓勵開發創造性的深度學習模型。這個新數據集的標簽將根據研究界的反饋加以改進和更新。

?

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

往期線上分享錄播匯總

第一期B站錄播之三維模型檢索技術

第二期B站錄播之深度學習在3D場景中的應用

第三期B站錄播之CMake進階學習

第四期B站錄播之點云物體及六自由度姿態估計

第五期B站錄播之點云深度學習語義分割拓展

第六期B站錄播之Pointnetlk解讀

[線上分享錄播]點云配準概述及其在激光SLAM中的應用

[線上分享錄播]cloudcompare插件開發

[線上分享錄播]基于點云數據的?Mesh重建與處理

[線上分享錄播]機器人力反饋遙操作技術及機器人視覺分享

[線上分享錄播]地面點云配準與機載點云航帶平差

如果你對本文感興趣，請后臺發送“知識星球”獲取二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作方式：微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的Toronto-3D：用于城市道路语义分割的大规模移动激光雷达数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。