SUM Parts

SUM Parts是由代尔夫特理工大学创建的大型尺度城市纹理网格数据集，包含约2.5平方公里的区域，分为21个类别。该数据集通过自己的注释工具支持面和纹理的注释，用于提供城市纹理网格的部件级语义标签。数据集的创建旨在解决城市场景理解中部件级语义分割的空白，适用于全面的城市分析。

SUM Parts is a large-scale urban texture mesh dataset created by Delft University of Technology, covering an area of approximately 2.5 square kilometers and categorized into 21 classes. Equipped with its own annotation tool that supports the annotation of faces and textures, this dataset is designed to provide part-level semantic labels for urban texture meshes. Developed to address the gap in part-level semantic segmentation for urban scene understanding, SUM Parts is suitable for comprehensive urban analysis.

搜集汇总

数据集介绍

构建方式

SUM Parts数据集的构建基于赫尔辛基城市的纹理网格数据，使用Bentley的ContextCapture软件从倾斜航空影像中重建，地面采样距离约为7.5厘米。数据集的标注过程通过自研的交互式标注工具完成，支持基于面和基于纹理的标注。标注工作由五名具有遥感经验的标注员进行，分别负责面标注、纹理像素标注和审核校正，整个标注过程耗时约640小时。标注工具结合了交互式选择和模板匹配策略，显著提升了标注效率。

特点

SUM Parts数据集是首个大规模的城市纹理网格数据集，覆盖约2.5平方公里的城市区域，包含21个语义类别。数据集不仅提供了面级别的标注，还引入了纹理像素级别的标注，能够捕捉城市物体的功能组件细节，如窗户、烟囱和道路标记等。与现有的点云数据集相比，纹理网格提供了更高的分辨率和更完整的空间信息，尤其适用于精细的城市场景分析。

使用方法

SUM Parts数据集可用于评估3D语义分割和交互式标注方法的性能。数据集被划分为训练、验证和测试集，分别包含24、8和8个网格块。用户可以通过点云采样方法（如面中心采样、随机采样和超像素纹理采样）生成点云数据，并利用现有的3D语义分割算法进行训练和测试。此外，数据集还支持纹理像素级别的语义分割，能够通过点云预测结果映射回纹理图像，进行像素级别的语义评估。

背景与挑战

背景概述

SUM Parts数据集由荷兰代尔夫特理工大学的Weixiao Gao、Liangliang Nan和Hugo Ledoux于2025年提出，旨在填补城市纹理网格的部件级语义分割研究空白。该数据集覆盖了约2.5平方公里的城市区域，包含21个类别，提供了基于面和纹理的语义标注。SUM Parts的创建基于自研的高效交互标注工具，支持面级和纹理级的标注，极大地提升了大规模城市网格的标注效率。该数据集的推出为城市场景理解提供了新的研究基准，尤其是在部件级语义分割领域，推动了城市数字化建模和智能城市应用的发展。

当前挑战

SUM Parts数据集面临的挑战主要体现在两个方面。首先，城市纹理网格的部件级语义分割任务本身具有复杂性，尤其是在处理大规模、高分辨率的城市场景时，如何精确捕捉建筑物、道路等对象的细节部件（如窗户、烟囱等）成为一大难题。其次，数据集的构建过程中，标注工作面临巨大挑战。由于城市网格数据量大、结构复杂，传统的标注方法效率低下，且难以保证标注的精确性。为此，研究团队开发了高效的交互标注工具，结合模板匹配和几何特征提取技术，显著提升了标注效率，但仍需应对数据噪声、标注一致性和类别不平衡等问题。

常用场景

经典使用场景

SUM Parts数据集主要用于城市纹理网格的部分级语义分割研究，特别是在城市场景分析中。该数据集通过提供21个类别的语义标签，覆盖了约2.5平方公里的城市区域，支持对建筑物、道路、植被等城市元素的精细分割。其经典使用场景包括城市三维建模、自动驾驶中的环境感知、以及城市规划中的基础设施分析。通过纹理网格的丰富空间表示，SUM Parts能够捕捉到城市场景中的细节信息，如窗户、烟囱、道路标记等，从而为城市环境的全面理解提供了重要支持。

解决学术问题

SUM Parts数据集解决了城市纹理网格语义分割中的关键问题，特别是部分级语义分割的缺失。传统的研究主要集中在图像或点云数据上，而纹理网格因其更丰富的空间表示能力，长期以来未得到充分探索。该数据集通过提供大规模的城市纹理网格及其部分级语义标签，填补了这一空白。此外，SUM Parts还解决了手动标注大规模三维场景的高成本和低效率问题，通过其高效的交互式标注工具，显著提升了标注的准确性和速度。这些贡献为城市场景的精细理解和自动化建模提供了重要的数据支持。

衍生相关工作

SUM Parts数据集的发布推动了多个相关领域的研究进展。首先，基于该数据集，研究者们开发了多种三维语义分割算法，如PointNet、PointNet++、KPConv等，这些算法在SUM Parts上的表现得到了广泛验证。其次，SUM Parts还促进了交互式标注工具的研究，通过其高效的标注策略，研究者们提出了多种改进的标注方法，如基于模板匹配的标注技术。此外，该数据集还激发了城市纹理网格生成和重建的研究，推动了城市三维建模技术的发展。SUM Parts的广泛应用和衍生研究为城市场景的精细理解和自动化建模提供了重要的技术基础。