NAVER LABS localization datasets

NAVER LABS localization datasets是首个提出大规模密集采样室内环境的数据集，包含动态物体、移动人群和变化场景等挑战。数据集在韩国首尔的大型购物中心和地铁站通过配备激光扫描器、摄像头和轮式里程计的专用映射平台捕获。数据集创建过程中，开发了一种基于激光雷达同步定位与地图构建（SLAM）和运动恢复结构（SFM）的新管道，以生成地面实况姿态。这些数据集旨在推动视觉定位、图像检索和局部特征提取等领域的研究，并可能用于深度估计、激光雷达地点识别和地图变化检测等任务。NAVER LABS Localization Datasets is the first dataset focused on large-scale densely sampled indoor environments, which features challenges such as dynamic objects, moving crowds, and changing scenes. The datasets were captured in large shopping malls and subway stations in Seoul, South Korea, using a dedicated mapping platform equipped with laser scanners, cameras, and wheel odometry. During the dataset creation process, a novel pipeline based on LiDAR Simultaneous Localization and Mapping (SLAM) and Structure from Motion (SfM) was developed to generate ground-truth poses. These datasets aim to advance research in fields including visual localization, image retrieval, and local feature extraction, and can also be applied to tasks such as depth estimation, LiDAR place recognition, and map change detection.

搜集汇总

数据集介绍

构建方式

NAVER LABS localization datasets的构建基于一个专门设计的映射平台，该平台配备了10个摄像头和2个激光扫描仪，用于在韩国首尔的大型购物中心和地铁站内捕捉数据。为了获得精确的相机位姿真值，研究团队开发了一种结合LiDAR SLAM和基于SFM的优化方法。首先，LiDAR SLAM用于估计平台的轨迹，随后通过SFM进一步优化相机位姿，确保了大规模室内环境中高精度的位姿估计。

特点

该数据集的显著特点在于其大规模、高密度采样以及对室内视觉定位挑战的全面覆盖。数据集包含了超过13万张图像，涵盖了从低光照、动态物体到重复纹理等多种复杂场景。此外，数据库和查询集的采集时间间隔长达128天，使得数据集能够反映出随时间变化的场景，进一步增加了其复杂性和实用性。

使用方法

NAVER LABS localization datasets适用于多种视觉定位算法的评估和开发，尤其是基于结构的方法。用户可以通过提供的图像和点云数据进行相机位姿估计、特征匹配和深度学习模型的训练。数据集的格式支持多种工具和框架，如OpenMVG和COLMAP，便于研究人员进行实验和算法验证。

背景与挑战

背景概述

NAVER LABS localization datasets 是由NAVER LABS和NAVER LABS Europe的研究团队于2021年推出的室内视觉定位数据集。该数据集旨在解决室内环境中视觉定位的挑战，特别是在拥挤的室内空间中，如大型购物中心和地铁站。数据集的核心研究问题是如何在复杂的室内环境中实现高精度的相机定位，这对于增强现实、机器人导航等应用至关重要。数据集通过使用配备10个摄像头和2个激光扫描仪的专用平台，捕捉了韩国首尔的大型购物中心和地铁站的多视角图像和点云数据。通过结合LiDAR SLAM和结构从运动（SFM）技术，研究人员开发了一种自动化管道来生成精确的相机位姿真值。该数据集的推出填补了现有室内定位数据集在规模、精度和密集采样方面的空白，为视觉定位算法的研究提供了新的基准。

当前挑战

NAVER LABS localization datasets 面临的挑战主要来自室内环境的复杂性和数据集构建过程中的技术难题。首先，室内环境中的动态物体（如人群、手推车等）、纹理缺失区域、低光照条件以及视角变化等因素对视觉定位算法提出了严峻的挑战。其次，构建大规模室内数据集时，传统的结构从运动（SFM）方法难以应对室内环境的复杂性，因此需要结合LiDAR SLAM和SFM技术来生成精确的相机位姿。此外，数据集的构建过程中还面临着图像与点云的精确配准、多传感器的时间同步以及大规模数据处理等技术挑战。这些挑战使得开发高精度、鲁棒的视觉定位算法成为一项艰巨的任务。

常用场景

经典使用场景

NAVER LABS localization datasets 最经典的使用场景在于室内视觉定位，特别是在复杂且动态的室内环境中，如大型购物中心和地铁站。这些数据集通过提供高精度的相机位姿信息，支持了增强现实（AR）、机器人导航等应用的开发。通过结合多视角几何和深度学习技术，研究人员可以利用这些数据集来验证和优化视觉定位算法，尤其是在处理光照变化、遮挡、纹理缺失等挑战性场景时。

衍生相关工作

NAVER LABS localization datasets 的发布催生了一系列相关的经典工作，特别是在视觉定位、图像检索和局部特征提取领域。基于这些数据集，研究人员开发了多种先进的视觉定位算法，如结合全局和局部特征的定位方法、深度学习驱动的场景坐标回归技术等。此外，数据集的高精度位姿信息还促进了结构化视觉定位方法的发展，推动了室内环境下的SLAM（同步定位与地图构建）技术的进步。这些衍生工作不仅提升了视觉定位的性能，还为相关领域的研究提供了新的方向。

数据集最近研究

最新研究方向

NAVER LABS localization datasets 在室内视觉定位领域引领了新的研究方向，特别是在复杂室内环境中的大规模数据集构建与应用。该数据集通过在韩国首尔的大型购物中心和地铁站采集数据，涵盖了动态人群、低光照、纹理缺失等多种挑战性场景，为视觉定位算法提供了丰富的测试环境。研究者们开发了一种基于 LiDAR SLAM 和 SFM 的自动化管道，用于生成精确的相机位姿，从而为高精度室内定位算法的发展提供了坚实的基础。该数据集的推出不仅推动了视觉定位技术在机器人导航、增强现实等领域的应用，还为深度学习与多视图几何结合的算法提供了新的基准测试平台。

相关研究论文

• Large-scale Localization Datasets in Crowded Indoor Spaces

  NAVER LABS · 2021年