City-Facade

City-Facade是一个大型城市建筑立面数据集，用于从MLS LiDAR点云中进行语义级和实例级分割。它包含标记的点云（建筑立面有9个类别）以及未标记的数据（街道景观的点云）。数据收集区域覆盖了中国厦门的多种街道，具有不同的建筑风格。我们相信City-Facade将促进点云语义或实例分割、城市理解和建模、点云完成等特征研究。City-Facade is a large-scale urban building facade dataset designed for semantic-level and instance-level segmentation from MLS LiDAR point clouds. It includes labeled point clouds (with 9 categories of building facades) as well as unlabeled data (point clouds of street scenes). The data collection area covers various streets in Xiamen, China, featuring diverse architectural styles. We believe that City-Facade will advance research in point cloud semantic or instance segmentation, urban understanding and modeling, point cloud completion, and related features.

原始信息汇总

数据集概述

City-Facade 是一个针对大规模MLS LiDAR点云的城市建筑立面数据集，旨在支持语义级和实例级的分割任务。该数据集包含标记的点云数据（共9个建筑立面类别）以及未标记的街道景观点云数据。数据收集区域覆盖中国厦门多种街道，具有不同的建筑风格。

数据集内容

• 标记点云：包含9个建筑立面类别。
• 未标记点云：街道景观的点云数据。

数据集应用

• 点云语义或实例分割研究。
• 城市理解和建模。
• 点云完成等。

数据集下载

提供小型示例下载，链接为此处。

数据集组织结构

数据集按照训练和测试进行组织，具体结构如下：

data |--City-Facade | |--train | | |--CAR | | |--JMC | | |--SGS | | |--XHR | | |--YWR | |--test | | |--CAR | | |--JMC | | |--SGS | | |--XHR | | |--YWR ...

模型性能

方法	模型	OA	mIoU
PointNet	PointNet	74.57	11.87
PointNet++	PointNet++	74.76	11.82
DGCNN	DGCNN	75.77	11.70
DeepGCNs	DeepGCNs	76.04	11.95
ASSANet	ASSANet-L	81.61	34.49
PointTrans.	PointTrans.	74.83	39.26
PointNeXt	PointNeXt-L	78.79	22.19
PointVector	PointVector	85.22	36.57
PointMetaBase	PointMetaBase-L	86.27	39.34

搜集汇总

数据集介绍

构建方式

City-Facade数据集通过采集中国厦门市多样化的街道建筑立面，利用MLS LiDAR点云技术构建而成。该数据集不仅包含9个类别的建筑立面标签，还涵盖了未标记的街道景观点云数据。通过精细的标注和分类，数据集为语义级和实例级的分割任务提供了丰富的资源，旨在推动点云语义或实例分割、城市理解和建模等领域的研究。

使用方法

使用City-Facade数据集时，用户需先下载数据并将其放置在指定的文件夹结构中。数据集分为训练集和测试集，分别用于模型的训练和评估。用户可以根据需求选择不同的模型进行实验，如PointNet、PointNet++等。数据集的安装和使用依赖于Python 3.6及以上版本、Pytorch 1.2及以上版本以及CUDA 10.0及以上版本，确保了在现代计算环境中的高效运行。

背景与挑战

背景概述

City-Facade数据集是由中山大学、厦门大学和滑铁卢大学联合提出的，旨在解决大规模三维点云中建筑立面元素的语义和实例分割问题。该数据集包含了来自中国厦门市多样街道的MLS LiDAR点云数据，涵盖了9类建筑立面元素的标注，以及未标注的街景点云。City-Facade的创建不仅为点云语义或实例分割研究提供了丰富的资源，还为城市理解与建模、点云补全等领域的研究提供了支持。

当前挑战

City-Facade数据集面临的挑战主要集中在数据标注的复杂性和多样性上。首先，建筑立面元素的多样性和复杂性使得标注过程需要高度的专业性和精确性。其次，不同街道的建筑风格差异较大，增加了数据集的多样性，但也对模型的泛化能力提出了更高的要求。此外，大规模点云数据的处理和存储也是构建过程中的一大挑战，尤其是在保证数据质量和计算效率的同时。

常用场景

经典使用场景

City-Facade数据集在城市建筑立面元素的语义和实例分割领域展现了其经典应用。该数据集通过提供大规模的MLS LiDAR点云数据，涵盖了厦门市多样化的建筑风格，为研究者提供了丰富的实验素材。其核心应用场景包括点云语义分割、实例分割以及城市理解和建模，这些任务在城市规划、建筑设计和智能交通系统中具有重要意义。

解决学术问题

City-Facade数据集解决了大规模点云数据在建筑立面元素分割中的关键学术问题。通过提供标注的点云数据，该数据集支持了语义和实例级别的分割研究，推动了点云分割算法的发展。此外，它还为城市理解和建模提供了新的研究视角，有助于提升城市环境的智能化水平，对相关领域的学术研究具有深远的影响。

实际应用

在实际应用中，City-Facade数据集为城市规划、建筑设计和智能交通系统提供了强大的数据支持。例如，通过分析建筑立面的点云数据，城市规划者可以更精确地评估建筑物的结构和风格，从而制定更合理的规划方案。同时，该数据集还可用于智能交通系统中的障碍物检测和路径规划，提升城市交通的效率和安全性。

数据集最近研究

最新研究方向

在城市建模与智能感知领域，City-Facade数据集的最新研究方向主要集中在点云语义分割与实例分割的深度学习算法优化上。该数据集通过提供大规模的MLS LiDAR点云数据，涵盖了厦门市多样化的建筑立面，为研究者提供了丰富的实验场景。当前的研究热点包括基于深度学习的点云特征提取、建筑物立面元素的精细化分割以及城市景观的智能化理解。这些研究不仅推动了点云处理技术的发展，还为智慧城市建设、城市规划与管理提供了强有力的技术支持。