Jiliang-3D

Jiliang-3D数据集是由中国计量大学六边形实验室构建的大规模城市室外点云数据集。该数据集通过DJI Mavic 3E无人机进行校园倾斜摄影，然后进行三维点云重建生成点云数据，采集区域覆盖约32万平方米。数据主要用于测试大规模城市场景点云语义分割算法的性能，包含停车场、小广场、草坪、宿舍楼、实验楼等多种复杂场景，点云密度变化大。数据集被划分为10个区域，包含9个类别的人工标注：自行车、建筑、汽车、杂物、草地、杆子、道路、植被和水体。

The Jiliang-3D Dataset is a large-scale urban outdoor point cloud dataset constructed by the Hexagon Lab of China Jiliang University. This dataset is generated via oblique campus photography using a DJI Mavic 3E drone followed by 3D point cloud reconstruction, with a coverage area of approximately 320,000 square meters. It is primarily used to evaluate the performance of semantic segmentation algorithms for large-scale urban scene point clouds, featuring diverse complex scenarios including parking lots, small squares, lawns, dormitory buildings, laboratory buildings and others, with significant variations in point cloud density. The dataset is divided into 10 regions and includes manually annotated labels for 9 categories: bicycle, building, car, clutter, grass, pole, road, vegetation, and water body.

原始信息汇总

Jiliang-3D数据集概述

数据集简介

Jiliang-3D是由中国计量大学六边形实验室构建的大规模城市室外点云数据集。该数据集旨在丰富大规模室外点云数据集和静态点云数据的多样性。

数据采集与处理

• 采集设备：使用大疆Mavic 3E无人机进行倾斜摄影。
• 处理方式：通过三维点云重建生成点云数据。
• 覆盖面积：约32万平方米。
• 区域划分：整个模型被划分为10个区域，用于评估模型在不同场景下的性能。

应用场景

主要用于测试大规模城市场景语义分割算法的性能。采集区域场景复杂多样，包括停车场、小广场、草坪、宿舍楼、实验楼等场景。

语义标注

• 标注工具：使用CloudCompare软件进行人工标注。
• 标注原则：每个类别具有精确含义，可用于城市规划、资产管理等实际价值。
• 类别数量：9个类别。

类别列表

1. Bike：停放在路边或停车区的自行车和电动滑板车。
2. Building：主要是人造结构，包括宿舍、教学楼等。
3. Cars：停放在路边或指定停车位的汽车。
4. Clutter：包括遮阳伞、公告板、标志和其他人造杂物结构。
5. Grass：草覆盖的地面。
6. Poles：灯柱和类似的垂直结构。
7. Roads：人造铺砌道路。
8. Vegetation：树木、大型灌木或小型灌木丛。
9. Water：水面，如池塘或运河。

场景类别分布

数据集主要由建筑物、植被和不透水表面组成，符合城市场景特征。同时包含汽车、自行车和行人等城市场景基本元素，能更好地模拟城市环境。

数据集优势

从大规模点云语义分割的角度来看，Jiliang-3D数据集在理解城市场景点云语义方面可以发挥良好的补充作用。

下载链接

https://jiliang-3d-dataset.oss-cn-shanghai.aliyuncs.com/Jiliang-3D.zip

参考文献

1. Hu, Qingyong, et al. Towards semantic segmentation of urban-scale 3D point clouds: A dataset, benchmarks and challenges.
2. Liu C, Zeng D, Akbar A, et al. Context-aware network for semantic segmentation toward large-scale point clouds in urban environments.

搜集汇总

数据集介绍

构建方式

在三维点云数据采集领域，Jiliang-3D数据集通过大疆Mavic 3E无人机对校园环境进行倾斜摄影，覆盖约32万平方米的复杂城市场景。采用三维点云重建技术生成高精度数据，采集区域包含停车场、广场、草坪及各类建筑等多种地形。为便于模型训练与评估，将整体点云划分为10个具有场景多样性的区域，每个区域均经过人工精细标注。数据标注工作依托CloudCompare软件完成，遵循SensatUrban等权威数据集的标注规范，确保类别定义的实用性与准确性。

特点

该数据集以建筑、植被和不透水面为主要构成，精准反映了城市环境的典型特征。场景中融入了汽车、自行车等动态元素，增强了城市场景的模拟真实性。点云密度分布存在显著差异，建筑物与植被间存在遮挡关系，为语义分割算法提供了复杂挑战。数据集中包含九类精细标注的地物，如建筑、道路、水体等，各类别数量分布均衡，能够全面评估模型在不同场景下的泛化能力。其丰富的场景多样性为城市尺度点云语义理解研究提供了重要补充。

使用方法

研究者可通过官方提供的下载链接获取压缩包形式的完整数据集。数据集已预分割为10个区域，用户可根据需要选择特定区域进行模型训练与测试。该数据集专为大规模城市场景点云语义分割算法评估设计，支持深度学习模型在复杂城市环境中的性能验证。使用时可参照图示的真实点云与标注对比结果，通过不同区域组合测试模型的场景适应性。相关研究可借鉴引用的学术文献中的基准方法，开展点云语义分割、三维场景理解等方向的实验探索。

背景与挑战

背景概述

随着三维点云技术在智慧城市和数字孪生领域的广泛应用，大规模城市场景点云数据的语义分割成为计算机视觉与遥感科学交叉研究的热点。Jiliang-3D数据集由中国计量大学Hexagon实验室于近年构建，通过大疆Mavic 3E无人机倾斜摄影技术对32万平方米校园区域进行三维重建，生成包含建筑、植被、道路等九类标注的大规模户外点云数据。该数据集旨在弥补现有户外点云数据在场景复杂性与静态对象多样性方面的不足，为城市环境三维语义理解提供重要基准。

当前挑战

在城市场景点云语义分割领域，Jiliang-3D需解决建筑物与植被遮挡、点云密度不均等复杂场景下的分类难题。数据构建过程中面临多重挑战：无人机摄影受光照与视角限制导致点云重建精度波动；人工标注需通过CloudCompare软件对数十亿级点云进行精细分类，耗时且易受遮挡区域干扰；场景中自行车、汽车等动态物体的空间分布不均，加剧了类别平衡与语义边界判定的复杂性。

常用场景

经典使用场景

在三维点云语义分割研究领域，Jiliang-3D数据集作为大规模城市户外场景的典型代表，主要用于评估深度学习模型在复杂城市环境中的语义理解能力。该数据集通过无人机倾斜摄影技术重建了约32万平方米的校园点云，涵盖建筑、植被、道路等多种地物类别，其场景多样性和点云密度变化为算法鲁棒性测试提供了理想平台。研究者常利用该数据集训练卷积神经网络或图神经网络，验证模型在遮挡、密度不均等现实挑战下的分割精度，推动城市级点云解析技术的发展。

实际应用

该数据集的实际价值体现在智慧城市建设的多个维度。城市规划部门可借助其高精度点云数据实现建筑容积率分析、绿地覆盖率统计等量化管理；市政设施维护中，基于杆状物、道路等类别的自动识别能优化路灯巡检、路面损坏检测流程。在自动驾驶领域，数据集提供的复杂街景语义信息可用于强化车辆对行人、车辆等动态障碍物的感知能力，同时其大规模特性为高精地图构建提供了真实世界参照，加速了城市数字化孪生系统的落地进程。

衍生相关工作

基于Jiliang-3D数据集衍生的研究已催生若干创新方法。例如Context-aware网络通过引入多尺度上下文感知机制，显著提升了植被遮挡区域的分割精度；部分工作结合图卷积神经网络优化了点云的空间关系建模，解决了建筑立面细节丢失问题。这些成果进一步推动了RandLA-Net、PointTransformer等通用架构在城市场景的适配优化，形成了从数据增强到模型轻量化的技术链条，为后续研究如动态场景分割、多模态融合提供了重要借鉴。