2-5DMap-Dataset

这是一个大规模的地面到2.5D地图地理定位数据集，主要任务涉及查询地面视图图像与大规模和高精度地理参考地图的关系，该地图由2D地图瓦片和2.5D地图模型组成。

This is a large-scale ground-to-2.5D map geolocation dataset, primarily focused on the task of relating query ground-view images to large-scale and high-precision georeferenced maps, which consist of 2D map tiles and 2.5D map models.

原始信息汇总

数据集概述

数据集名称

• A Large Scale Ground-to-2.5D Map Geolocalization Dataset

数据集内容

• Ground-view panoramic images: 需通过访问StreetLearn Dataset请求获取。
• 2D map tiles: 需通过访问You Are Here: Geolocation by Embedding Maps and Images项目请求获取。
• 2.5D map models: 通过本项目提供的代码生成。

数据集结构

• 2D map tiles: 展示为2D地图图块。
• 2.5D map models: 展示为2.5D地图模型，包括建筑物、道路等详细信息。

数据集生成流程

1. Metadata获取: 从OpenStreetMap获取元数据。
2. 2.5D模型生成: 使用Blender生成每个语义类别的2.5D模型。
3. 点云生成: 通过均匀采样网格生成每个语义类别的点云。
4. 点云合并: 将所有语义类别的点云合并为一个代表整个区域的点云。
5. 数据分割: 生成训练、验证和测试集的子集。

数据集存储结构

|–– datasets | |––csv | |––manhattan | |––pittsburgh | |––jpegs_manhattan_2019 | |––jpegs_pittsburgh_2019 | |––tiles_manhattan_2019 | |––tiles_pittsburgh_2019 | |––trainstreetlearnU_cmu5kU_idx | |––hudsonriver5kU_idx | |––wallstreet5kU_idx | |––unionsquare5kU_idx

数据集使用

• 提供Python代码实现2.5D地图数据集的生成和数据处理。
• 提供环境配置命令和数据处理步骤。

数据集示例

• 展示2D和2.5D地图的示例图像。

数据集获取

• 部分数据集可通过提供的链接直接获取。
• 提供数据集示例和可视化工具以辅助用户进行数据检查。

搜集汇总

数据集介绍

构建方式

2-5DMap-Dataset的构建过程基于大规模地理参考地图与地面视图图像的匹配任务。首先，从OpenStreetMap获取元数据，并通过Blender生成2.5D模型，每个语义类别以网格结构表示。接着，通过均匀采样生成点云，并将各语义类别的点云合并为单一的点云文件。最后，利用多进程技术生成训练、验证和测试所需的地图子集。整个过程涵盖了从数据获取、模型生成到数据集划分的完整流程，确保了数据的高精度与多样性。

特点

2-5DMap-Dataset的特点在于其结合了2D地图瓦片与2.5D地图模型，提供了丰富的地理信息表达。数据集包含地面视图全景图像、2D地图瓦片以及2.5D模型，覆盖了曼哈顿和匹兹堡等多个区域。2.5D模型通过网格结构和点云形式呈现，支持语义类别的精细划分与可视化。此外，数据集还提供了详细的元数据和坐标对齐信息，便于用户进行地理定位与匹配任务的研究与应用。

使用方法

使用2-5DMap-Dataset时，用户需首先配置Python环境并安装相关依赖库。通过提供的脚本，用户可以生成2.5D地图数据集，并处理点云数据。数据集的使用包括从OpenStreetMap获取元数据、生成2.5D模型、采样点云以及合并点云等步骤。用户还可以利用多进程技术生成训练、验证和测试所需的地图子集。此外，数据集提供了可视化工具，便于用户检查数据质量与一致性。通过遵循提供的代码与流程，用户可以高效地利用该数据集进行地理定位与地图匹配的研究。

背景与挑战

背景概述

2-5DMap-Dataset是由Mengjie Zhou等人于2023年提出的大规模地面到2.5D地图地理定位数据集，旨在解决基于图像的地理定位问题。该数据集结合了地面全景图像与高精度地理参考地图，包括2D地图瓦片和2.5D地图模型，为地理定位研究提供了丰富的多模态数据支持。其核心研究问题是通过地面图像与2.5D地图的匹配，实现精确的地理定位。该数据集的发布为计算机视觉、地理信息系统以及自动驾驶等领域的研究提供了重要的数据基础，推动了地理定位技术的进一步发展。

当前挑战

2-5DMap-Dataset在构建和应用过程中面临多重挑战。首先，地理定位任务本身具有高度复杂性，尤其是在大规模城市环境中，地面图像与地图的匹配需要处理大量的噪声和不确定性。其次，数据集的构建涉及多源数据的整合，包括从OpenStreetMap获取元数据、生成2.5D模型以及点云的均匀采样等，这些步骤对数据处理和计算资源提出了较高要求。此外，数据集的多样性和规模也带来了存储和管理的挑战，尤其是在处理大规模点云数据时，如何高效地存储和检索数据成为关键问题。最后，数据集的跨平台兼容性，特别是在Linux系统上安装Open3D时，可能遇到GLIBC版本不兼容等技术难题，增加了使用门槛。

常用场景

经典使用场景

在计算机视觉和地理信息系统领域，2-5DMap-Dataset为地面视图图像与大规模地理参考地图的匹配提供了丰富的数据支持。该数据集通过结合2D地图瓦片和2.5D地图模型，为研究者提供了一个多维度、高精度的地理定位平台。经典的使用场景包括基于图像的地理定位、地图匹配以及城市环境的三维重建。

实际应用

在实际应用中，2-5DMap-Dataset被广泛应用于自动驾驶、智能导航和城市规划等领域。例如，在自动驾驶系统中，该数据集可以帮助车辆更准确地识别周围环境，实现精确的定位和导航。在城市规划中，2.5D地图模型为城市的三维建模和空间分析提供了重要支持，帮助规划者更好地理解城市结构和空间布局。

衍生相关工作

基于2-5DMap-Dataset，研究者们开发了多种经典的地理定位和地图匹配算法。例如，Zhou等人提出的基于图像的地理定位方法，通过将地面视图图像与2.5D地图模型进行匹配，实现了高精度的地理定位。此外，该数据集还推动了基于深度学习的地理定位算法的发展，为后续研究提供了重要的数据和技术支持。