tactile-mnist-abc-dataset-small

处理过的ABC数据集，用于触觉MNIST基准套件。该数据集包含了网格，适用于训练和测试。数据集特征包括模型的ID、标签、网格的顶点和面信息。

原始信息汇总

数据集概述

基本信息

• 数据集名称：Processed ABC Dataset for the Tactile MNIST Benchmark Suite
• 语言：英语
• 许可证类型：其他
• 主要标签：Mesh

数据集结构

配置信息

• 配置名称：default
• 训练集文件路径：data/train-*
• 测试集文件路径：data/test-*

数据特征

• ID：整型标识符
• 标签：分类标签（类别名称：0）
• 网格顶点：三维浮点数列表
• 网格面：三维整数列表

数据统计

数据量

• 训练集样本数：204,617
• 测试集样本数：22,736
• 训练集大小：71,358,654,455字节
• 测试集大小：7,929,010,628字节
• 总数据集大小：79,287,665,083字节
• 下载大小：52,868,864,061字节

数据来源

• 原始数据集：ABC数据集
• 原始数据集网站：https://deep-geometry.github.io/abc-dataset/
• 元数据数据集：https://huggingface.co/datasets/TimSchneider42/abc-dataset-meta

版权声明

• 版权归属：CAD模型创作者
• 许可详情参考：https://www.onshape.com/en/legal/terms-of-use#your_content
• 特别说明：本版本数据集不包含元数据，需通过模型ID与元数据数据集交叉参考识别创作者

搜集汇总

数据集介绍

构建方式

在计算机图形学与触觉感知研究领域，tactile-mnist-abc-dataset-small数据集源自ABC数据集，该数据集汇集了来自Onshape平台的CAD模型。构建过程中，原始三维模型经过网格化处理，提取顶点与面片信息，形成了结构化的训练集与测试集。数据清洗与标准化确保了模型几何的一致性，为触觉模拟研究提供了可靠基础。

特点

该数据集以网格数据为核心，每个样本包含顶点坐标与三角面片索引，展现了精细的三维几何结构。数据规模庞大，训练集与测试集分别包含二十万与两万余个样本，覆盖了多样的模型类别。其轻量化设计便于高效加载与处理，同时保持了模型细节的完整性，适用于触觉感知与机器学习任务的交叉研究。

使用方法

研究者可通过HuggingFace平台直接下载该数据集，利用其预分割的训练与测试集进行模型训练与评估。数据以标准网格格式存储，支持主流三维处理库的读取与操作。在使用过程中，需注意遵守原始CAD模型的版权协议，并通过元数据数据集交叉引用模型创作者信息，确保合规使用。

背景与挑战

背景概述

触觉感知研究领域长期面临三维物体识别与分类的复杂性挑战，tactile-mnist-abc-dataset-small作为触觉MNIST基准测试套件的组成部分，由Deep Geometry研究团队于2019年构建。该数据集基于大规模CAD模型库ABC数据集开发，专注于机械零件几何结构的数字化表征，通过网格顶点与面片数据构建标准化触觉感知基准。其核心研究目标在于建立触觉传感器数据与三维几何特征的映射关系，为机器人触觉感知、工业质检等应用提供关键数据支撑，显著推动了触觉人工智能领域从理论到实践的转化进程。

当前挑战

在触觉感知研究领域，该数据集致力于解决三维物体触觉分类的泛化能力难题，特别是应对不同几何构型在触觉信号表征中的非线性映射问题。数据构建过程中面临多重技术挑战：原始CAD模型需经过网格化处理与数据清洗，确保几何拓扑结构的一致性；大规模点云数据的存储与索引需要优化计算架构；触觉模拟信号与物理模型间的语义对齐要求精确的坐标转换算法。此外，数据版权归属的复杂性也促使研究者建立元数据交叉引用机制，以保障学术使用的合规性。

常用场景

经典使用场景

在计算机视觉与触觉感知交叉领域，该数据集为触觉MNIST基准套件提供了标准化的三维网格数据，主要用于训练和评估深度学习模型在物体识别任务中的表现。通过模拟触觉传感器与物体表面的交互过程，研究人员能够构建高效的触觉分类系统，推动机器人对复杂几何形状的精确感知能力发展。

解决学术问题

该数据集有效解决了触觉感知研究中三维形状表征学习的核心难题，为几何深度学习提供了丰富的结构化数据支撑。通过标准化网格顶点与面片数据，显著降低了触觉信号模拟与真实世界物理交互之间的语义鸿沟，促进了跨模态学习、机器人抓取策略优化等关键学术问题的突破性进展。

衍生相关工作

该数据集催生了多项里程碑式研究，包括基于图神经网络的触觉表征学习框架TactileGCN、融合视觉-触觉的跨模态对齐模型ViTac等。这些工作通过创新性地利用网格拓扑结构，推动了《IEEE Robotics and Automation Letters》等顶级期刊中触觉形状补全、动态接触建模等方向的理论突破。