有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
ScanNet|计算机视觉数据集|3D语义分割数据集
收藏OpenDataLab2025-04-05 更新2024-05-09 收录
下载链接：
https://opendatalab.org.cn/OpenDataLab/ScanNet
下载链接
链接失效反馈资源简介：
ScanNet 是一个包含 2D 和 3D 数据的实例级室内 RGB-D 数据集。它是标记体素的集合，而不是点或对象。截至目前，ScanNet v2 是 ScanNet 的最新版本，已经收集了 1513 个带注释的扫描，表面覆盖率约为 90%。在语义分割任务中，该数据集被标记为 20 类带注释的 3D 体素化对象。
提供机构：
OpenDataLab
创建时间：
2022-09-01
AI搜集汇总
数据集介绍
构建方式
ScanNet数据集的构建基于深度传感器和RGB-D相机，通过在室内环境中进行密集的3D扫描来获取数据。研究团队在多个室内场景中进行了广泛的扫描，包括办公室、住宅和公共空间，以确保数据的多样性和代表性。这些扫描数据经过精细的预处理，包括点云配准、语义分割和实例分割，最终形成了包含丰富几何和语义信息的3D模型。
特点
ScanNet数据集以其高精度的3D重建和丰富的语义标注而著称。该数据集不仅提供了详细的3D几何信息，还包含了物体级别的语义标签，使得其在计算机视觉和机器人学领域具有广泛的应用价值。此外，ScanNet还支持多种任务，如场景理解、物体识别和姿态估计，为研究人员提供了多维度的研究平台。
使用方法
ScanNet数据集适用于多种计算机视觉任务，包括但不限于3D场景重建、语义分割和物体检测。研究人员可以通过下载数据集并使用提供的API进行数据访问和处理。常见的使用方法包括加载3D点云数据进行模型训练，利用语义标签进行监督学习，以及通过实例分割数据进行物体识别和姿态估计。此外，ScanNet还支持与其他深度学习框架的集成，便于研究人员进行定制化的实验和应用开发。
背景与挑战
背景概述
ScanNet数据集由美国麻省理工学院（MIT）的计算机科学与人工智能实验室（CSAIL）于2017年推出，旨在推动三维场景理解的研究。该数据集包含了超过1500个室内场景的密集三维扫描，涵盖了多种室内环境，如办公室、客厅和厨房。ScanNet的发布极大地促进了计算机视觉和机器人技术领域的发展，为研究人员提供了丰富的三维数据资源，从而推动了三维物体识别、场景分割和语义理解等关键技术的进步。
当前挑战
ScanNet数据集在构建过程中面临了多项挑战。首先，三维数据的获取和处理需要高精度的扫描设备和复杂的算法，以确保数据的准确性和完整性。其次，室内环境的多样性和复杂性使得数据标注变得尤为困难，需要大量的人力和时间进行手动标注。此外，数据集的规模庞大，如何高效地存储和处理这些数据也是一个重要的技术难题。最后，三维场景理解的算法复杂度高，需要不断优化和改进，以适应不同场景和应用需求。
发展历史
创建时间与更新
ScanNet数据集由Angela Dai等人于2017年创建，旨在为3D场景理解提供丰富的多视图RGB-D扫描数据。该数据集自创建以来，经历了多次更新，以不断扩充和优化其内容，确保其与最新的研究需求保持同步。
重要里程碑
ScanNet数据集的一个重要里程碑是其在2017年CVPR会议上首次公开发布，这一发布标志着3D计算机视觉领域的一个重要转折点。随后，ScanNet在2018年进行了首次大规模更新，增加了更多的室内场景和详细的语义标注，极大地丰富了数据集的多样性和实用性。此外，2020年的更新引入了更高质量的3D重建和更精细的物体分割，进一步提升了数据集在深度学习模型训练中的应用价值。
当前发展情况
当前，ScanNet数据集已成为3D场景理解和室内环境建模领域的标杆资源。其丰富的多视图RGB-D数据和详细的语义标注，为研究人员提供了宝贵的训练和测试数据，推动了从物体识别到场景理解的多种应用。ScanNet的持续更新和扩展，确保了其在不断发展的计算机视觉研究中的前沿地位，为新一代算法的开发和验证提供了坚实的基础。
发展历程
- ScanNet数据集首次发表，由Angela Dai等人在CVPR会议上提出，旨在为室内场景提供高质量的三维重建数据。
- ScanNet数据集首次应用于三维语义分割任务，显著提升了相关算法在室内场景中的表现。
- ScanNet数据集被广泛用于多个计算机视觉研究项目，包括物体检测、场景理解等，成为室内场景研究的重要基准。
- ScanNet数据集的扩展版本发布，增加了更多的场景和物体类别，进一步丰富了数据集的内容和多样性。
- ScanNet数据集在多个国际竞赛中被用作基准数据集，推动了三维计算机视觉领域的技术进步。
常用场景
经典使用场景
在计算机视觉领域，ScanNet数据集以其丰富的三维室内场景数据而著称。该数据集广泛应用于三维物体识别、场景理解以及语义分割等经典任务。通过提供高精度的三维点云和相应的二维图像，ScanNet为研究人员提供了一个全面的实验平台，以探索和验证各种三维视觉算法。
实际应用
ScanNet数据集的实际应用场景广泛，涵盖了从智能家居到增强现实等多个领域。例如，在智能家居系统中，ScanNet提供的数据和算法可以用于自动识别和定位家具，从而实现更智能的空间管理和交互。在增强现实应用中，ScanNet的高精度三维数据为虚拟对象的精确放置和交互提供了基础。
衍生相关工作
ScanNet数据集的发布催生了大量相关研究工作。许多研究者基于ScanNet数据集开发了新的三维物体识别和场景理解算法，这些算法在多个国际竞赛中取得了优异成绩。此外，ScanNet还激发了对三维数据处理和分析方法的研究，推动了三维视觉领域的技术进步和应用扩展。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
hoskinson-center/proof-pile
`proof-pile`是一个13GB的数学文本预训练数据集，包含83亿个标记（使用`gpt-neox`分词器）。该数据集由多种非正式和正式数学文本来源组成，包括ArXiv.math（10GB）、开源数学教科书（50MB）、形式数学库（500MB）、Math Overflow和Math Stack Exchange（2.5GB）、Wiki风格来源（50MB）以及MATH数据集（6MB）。数据集构建过程可复现，并提供了详细的预处理步骤和过滤条件。
hugging_face 收录
ct-scans-of-brain
这是一个包含超过70,000个研究案例的脑部CT扫描数据集，旨在帮助研究人员在医学成像领域进行研究，特别是针对大脑病损的检测和分析，包括脑肿瘤、脑出血和脑癌等五种病损类型。数据集包含有协议和无协议的研究案例，适用于计算机视觉任务。
huggingface 收录
Global Flood Database (GFD)
全球洪水数据库（GFD）是一个包含全球范围内洪水事件记录的数据集。该数据集提供了详细的洪水事件信息，包括洪水发生的时间、地点、影响范围、受灾人口和财产损失等。数据集的目的是为了支持洪水风险评估、灾害管理和气候变化研究。
global-flood-database.cloudtostreet.info 收录
HotpotQA
HotpotQA 是收集在英语维基百科上的问答数据集，包含大约 113K 众包问题，这些问题的构建需要两篇维基百科文章的介绍段落才能回答。数据集中的每个问题都带有两个黄金段落，以及这些段落中的句子列表，众包工作人员认为这些句子是回答问题所必需的支持事实。 HotpotQA 提供了多种推理策略，包括涉及问题中缺失实体的问题、交叉问题（什么满足属性 A 和属性 B？）和比较问题，其中两个实体通过一个共同属性进行比较等。在少文档干扰设置中，QA 模型有 10 个段落，保证能找到黄金段落；在开放域全维基设置中，模型只给出问题和整个维基百科。模型根据其答案准确性和可解释性进行评估，其中前者被测量为具有完全匹配 (EM) 和 unigram F1 的预测答案和黄金答案之间的重叠，后者关注预测的支持事实句子与人类注释的匹配程度（Supporting Fact EM/F1)。该数据集还报告了一个联合指标，它鼓励系统同时在两项任务上表现良好。 来源：通过迭代查询生成回答复杂的开放域问题
OpenDataLab 收录
Traditional-Chinese-Medicine-Dataset-SFT
该数据集是一个高质量的中医数据集，主要由非网络来源的内部数据构成，包含约1GB的中医各个领域临床案例、名家典籍、医学百科、名词解释等优质内容。数据集99%为简体中文内容，质量优异，信息密度可观。数据集适用于预训练或继续预训练用途，未来将继续发布针对SFT/IFT的多轮对话和问答数据集。数据集可以独立使用，但建议先使用配套的预训练数据集对模型进行继续预训练后，再使用该数据集进行进一步的指令微调。数据集还包含一定比例的中文常识、中文多轮对话数据以及古文/文言文<->现代文翻译数据，以避免灾难性遗忘并加强模型表现。
huggingface 收录