Synth4D

displayName: Synth4D
license:
- GPL-3.0
paperUrl: https://arxiv.org/pdf/2207.09763.pdf
publishDate: 2022-07
publishUrl: https://github.com/saltoricristiano/gipso-sfouda
publisher:
- University of Tokyo
- University of Rome
- Télécom ParisTech
tags:
- Vehicle

---
# 数据集介绍
## 简介
为了实现与SemanticKITTI和nuScenes的完全兼容，我们展示了使用CARLA模拟器创建的Synth4D。Tab.1将Synth4D与其他合成数据集进行了比较。Synth4D由两组点云序列组成，一组与SemanticKITTI (Velodyne HDL64E) 兼容，另一组与nuScenes (Velodyne HDL32E) 兼容。每组由20k标记的点云组成。Synth4D是使用车辆在四种场景 (城镇，公路，农村地区和城市)。由于UDA要求源和目标之间的标签一致，因此我们使用给注释器的原始说明将Synth4D的标签与SemanticKITTI/nuScenes的标签进行了映射，从而产生了八个宏类: 车辆，行人，道路，人行道，地形，人造，植被和未标记。

## Download dataset
:modelscope-code[]{type="git"}

显示名称：Synth4D
许可证：GPL-3.0
论文链接：https://arxiv.org/pdf/2207.09763.pdf
发布日期：2022年7月
发布仓库：https://github.com/saltoricristiano/gipso-sfouda
发布机构：东京大学、罗马大学、巴黎电信科技学院
标签：车辆

---

# 数据集介绍
## 简介
为实现与SemanticKITTI及nuScenes的完全兼容，本研究展示了由CARLA模拟器生成的Synth4D数据集。表1将Synth4D与其他合成数据集进行了对比。Synth4D包含两组点云序列：一组适配SemanticKITTI（Velodyne HDL64E），另一组适配nuScenes（Velodyne HDL32E），每组均包含2万个带标注的点云。本数据集的采集场景涵盖城镇、公路、乡村与城市四类，均由搭载传感器的车辆生成。由于无监督域自适应（Unsupervised Domain Adaptation, UDA）要求源域与目标域的标签保持一致，本研究依据标注人员的原始标注规范，将Synth4D的标签映射至SemanticKITTI/nuScenes的标签体系，最终形成八大宏类别：车辆、行人、道路、人行道、地形、人造设施、植被及未标注。

## 下载数据集
:modelscope-code[]{type="git"}