Paris-Lille-3D

Paris-Lille-3D数据集是由巴黎高科技矿业学院的机器人中心创建的大型高质量城市点云数据集，专为自动分割和分类设计。该数据集包含约2公里的移动激光扫描（MLS）点云数据，覆盖两个城市区域，总点数达到1.43亿，涵盖50个不同的对象类别。数据集的创建过程涉及从采集到后处理和标注的详细步骤，确保数据的高质量和适用性。Paris-Lille-3D数据集特别适合训练深度学习方法，以解决城市环境中点云数据的自动处理问题。

The Paris-Lille-3D dataset is a large-scale high-quality urban point cloud dataset created by the Robotics Center of Mines Paris (École des Mines de Paris), specifically designed for automatic segmentation and classification tasks. This dataset contains approximately 2 kilometers of Mobile Laser Scanning (MLS) point cloud data, covering two urban areas, with a total of 143 million points and encompassing 50 distinct object categories. The dataset's creation process involves detailed steps ranging from data collection, post-processing to annotation, ensuring the high quality and practical applicability of the data. The Paris-Lille-3D dataset is particularly suitable for training deep learning methods to address the automatic processing of point cloud data in urban environments.

搜集汇总

数据集介绍

构建方式

Paris-Lille-3D数据集的构建源于对城市三维点云自动分割与分类任务的迫切需求。该数据集由Mines ParisTech的L3D2移动激光扫描系统采集，搭载Velodyne HDL-32E多线激光雷达，以30度倾角安装于车辆后方。采集路线涵盖巴黎与里尔两座城市，总长约1.94公里，生成143.1百万个点。数据后处理中，通过GPS-RTK/INS紧耦合卡尔曼平滑滤波生成厘米级精度的轨迹，并线性插值至每个点的时间戳。点云仅保留距离传感器20米内的区域以确保密度均匀。所有点云均通过CloudCompare软件进行人工精细分割与标注，采用iQmulus/TerraMobilita竞赛的类别体系，并新增自行车架、雕像等6个类别，最终形成50个语义类别、2479个独立对象的标注数据集。

使用方法

数据集以PLY格式发布，分为Lille1、Lille2和Paris三个独立文件，每个点包含位置、传感器坐标、时间、反射率、对象标签与类别标签。用户可直接加载点云进行逐点分类或对象级分割任务。配套的classes.xml文件定义了50个类别的层次化结构，并提供了粗粒度类别映射，便于简化评估。使用方法上，论文展示了基于地面提取、连通性分割、几何与GRSD描述符结合随机森林的流程，其中几何描述符与GRSD的组合在分类中达到89.37%的OOB准确率。数据集同样适用于深度学习方法，如PointNet等，可直接作为点级语义分割的训练与测试基准。数据下载地址为http://caor-mines-paristech.fr/fr/paris-lille-3d-dataset/。

背景与挑战

背景概述

随着三维点云分割与分类技术的迅猛发展，尤其是深度学习方法的兴起，高质量、大规模的城市点云数据集成为推动该领域进步的关键基石。在此背景下，Xavier Roynard、Jean-Emmanuel Deschaud 与 François Goulette 等来自巴黎高科矿业学院（Mines ParisTech）机器人中心的研究人员，于2018年发布了 Paris-Lille-3D 数据集。该数据集通过移动激光扫描（MLS）系统采集，涵盖法国巴黎与里尔两大城市约2公里的城市场景，包含1.431亿个点，并手工标注了50个细粒度类别，如建筑、车辆、行人、植被及各类街道设施。其核心研究问题在于为点云自动分割与分类提供高精度、高密度的基准数据，尤其支持对物体实例级分割的精细学习。相较于同期数据集（如 Oakland、Semantic3D、Paris-rue-Madame 等），Paris-Lille-3D 在点云密度、类别丰富度及标注准确性上具有显著优势，已成为评估和训练三维点云深度学习算法的重要标杆，对城市环境感知、自动驾驶及数字孪生等领域产生了深远影响。

当前挑战

Paris-Lille-3D 数据集所面临的挑战主要体现在两个层面。首先，在领域问题层面，其旨在解决城市三维点云自动分割与分类这一核心难题。城市场景高度复杂，物体尺度差异悬殊（如摩天大楼与路灯）、类别间存在严重遮挡与粘连（如停靠车辆与路缘、电缆与建筑），且点云数据存在各向异性模式与密度不均，导致传统基于手工特征的分类方法难以实现鲁棒泛化。其次，在构建过程中，数据采集与标注面临巨大挑战。MLS 系统虽能高效获取海量点云，但多线激光雷达的扫描特性导致点云存在固有阴影与空洞，且 GPS/IMU 组合定位在复杂城市峡谷中易受多路径效应干扰，需要高精度的后处理轨迹解算。更为繁重的是，全部2,479个物体实例均由人工在 CloudCompare 软件中逐一点选、分割并赋予类别标签，这一过程不仅耗时费力，且需严格避免边缘标注误差（如物体底部被误标为地面），以确保标注一致性。此外，50个类别中部分罕见类（如信箱、雕塑）样本数量极少，为后续算法的训练与评估带来了数据不平衡的挑战。

常用场景

经典使用场景

在城市场景点云分析领域，Paris-Lille-3D数据集被广泛用作三维点云语义分割与分类算法的基准测试平台。该数据集涵盖了巴黎和里尔两座城市约2公里的移动激光扫描轨迹，包含超过1.43亿个精心标注的点，涉及50个语义类别。研究者通常利用其精细的逐对象分割特性，训练和评估基于深度学习的逐点分类网络，如PointNet及其变体，以及基于体素或图卷积的模型。数据集的高密度特性（地面每平方米1000-2000点）和多视角采集方式，使其特别适合验证算法在复杂城市场景中的泛化能力与鲁棒性。

解决学术问题

该数据集有效解决了城市场景点云分析中标注数据匮乏与类别不平衡的关键学术难题。相较于Oakland、Semantic3D等早期数据集，Paris-Lille-3D提供了更丰富的细粒度类别（如区分停驻与移动车辆）和更精确的物体边界分割，使得研究者能够深入探索多类别细粒度语义理解问题。其推动的研究意义在于：为弱监督学习、小样本学习等前沿范式提供了高质量基准，促进了点云分析从粗粒度分类向精细实例分割的范式转变，同时为评估算法在真实城市环境中的迁移能力奠定了数据基础。

实际应用

在实际应用中，Paris-Lille-3D数据集为自动驾驶环境感知、智慧城市基础设施管理及高精地图构建等场景提供了关键支撑。自动驾驶系统可利用在该数据集上训练的模型，实时识别道路、行人、车辆及交通设施，提升决策安全性。城市管理部门借助其精细的物体分割能力，可自动检测路灯、垃圾桶、自行车架等市政设施的分布与状态，优化维护调度。此外，该数据集的移动激光扫描特性使其适用于动态场景理解，如分析停车位占用率或监测施工区域变化，为城市数字化孪生提供可靠的数据驱动方案。

数据集最近研究

最新研究方向

随着自动驾驶与智慧城市建设的迅猛发展，高精度三维点云数据的语义理解成为前沿热点。Paris-Lille-3D数据集以其覆盖双城、近2公里轨迹、超过1.43亿点及50类精细标注的规模，为城市环境下的点云分割与分类研究提供了高质量基准。当前研究聚焦于利用深度学习模型（如PointNet及其变体）在此数据集上实现端到端的逐点分类与实例分割，探索多尺度特征融合与上下文信息捕捉技术。该数据集在推动移动激光扫描点云的自动化解析、提升复杂城市场景中地物（如车辆、行人、交通设施）的识别鲁棒性方面具有重要影响，其丰富的类别层次与精细的物体级标注也为目标检测与变化监测等前沿任务奠定了坚实基础。

相关研究论文

• Paris-Lille-3D: a large and high-quality ground truth urban point cloud dataset for automatic segmentation and classification

  巴黎高科技矿业学院，PSL研究大学，机器人中心 · 2018年