PartNet_Dataset

PartNet_Dataset是一个大规模的细粒度和层次化的3D对象理解基准数据集，包含24个对象类别，用于形状分析、动态3D场景建模和模拟、功能分析等任务。PartNet_Dataset is a large-scale fine-grained and hierarchical benchmark dataset for 3D object understanding, which contains 24 object categories and is designed for tasks such as shape analysis, dynamic 3D scene modeling and simulation, functional analysis, and other tasks.

原始信息汇总

PartNet_Dataset

数据集介绍

PartNet数据集是从斯坦福大学发表的论文中提取的，原数据集包含24个对象类别，但缺乏自顶向下的递归层次结构，用于细粒度的3D点云分割。我们将其重新组织成PartNet数据集的形式，以赋予模型我们设计的层次结构。该数据集可以支持形状分析、动态3D场景建模和仿真、功能分析等多种任务。

数据集信息

数据集包含22699个3D形状，涵盖24个形状类别：

类别名称	灯	桌子	刀	包	床	瓶子	碗	时钟	显示器	洗碗机	门	耳机	水龙头	帽子	储物柜	键盘	笔记本电脑	微波炉	杯子	冰箱	剪刀	垃圾桶	花瓶	椅子
形状数量	2603	5701	486	158	115	511	100	426	329	198	198	269	826	251	2546	109	92	81	232	209	112	296	411	6440
部件数量	12200	28958	1571	358	2420	1432	207	1151	1174	838	585	1193	4025	588	34564	5587	270	346	291	947	394	2565	1013	40879
每个形状的最大部件数	122	47	5	4	59	5	3	8	5	8	9	8	18	3	100	63	3	8	4	11	5	43	8	30
每个形状的最小部件数	2	2	2	2	4	2	2	2	2	2	2	2	2	2	2	13	2	3	2	2	2	2	2	2

数据集示例

我们以椅子为例，说明数据是如何组织的。本章分为两部分详细说明示例。

1. 用partnet树表示模型

图1. 椅子表示为自顶向下的递归层次树。

如图1(a)所示，这是一个在Deep Exploration中显示的obj模型，代表一把椅子。如图1(b)所示，我们将模型组织成一个partnet树。每个叶节点代表一个部件。然后我们将partnet树节点分为三类：0表示叶节点（如节点7），1表示相邻节点（如节点14，其左子节点与右子节点相邻），2表示对称节点（如节点9，这是一个旋转对称节点，只有左子节点。子节点用于在对称关系中保留一个代表性部件。然后可以通过存储对称参数获得对称关系中的其他部件）。

2. 文件夹说明

每个数据模型中有七个文件夹。

A. ops文件夹

ops文件夹中的每个mat文件存储一个partnet树节点的对应类型，如表2所示，对应于图1(b)中的节点类型（0表示叶节点，1表示相邻节点，2表示对称节点）。

节点序号	节点7	节点2	节点12	节点3	节点13	节点14	节点15	节点6	节点4	节点9	节点5	节点1	节点8	节点10	节点11	节点16	节点17
节点类型	0	0	2	0	2	1	1	0	0	2	0	0	2	1	1	1	1

表2. 节点类型。

B. part_fix文件夹

part_fix文件夹下的mat文件存储模型叶节点的对应盒子索引。

C. boxes文件夹

boxes文件夹下的mat文件存储模型每个叶节点的对应盒子。

D. labels文件夹

labels文件夹下的mat文件对应每个叶节点的类型标识。如表3所示，节点7表示椅子的靠背（标记为数字0），节点6表示椅垫（标记为数字1），节点1、节点4和节点5表示椅腿（标记为数字2），节点2和节点3表示椅子的扶手（标记为数字3）。

节点序号	节点7	节点2	节点3	节点6	节点4	节点5	节点1
节点标签	0	3	3	1	2	2	2

表3. 节点标签。

E. syms文件夹

syms文件夹下的mat文件存储每个对称节点的对称参数。在这个例子中，有四组对称关系，因此存储了四个对称参数。在partnet树中，依次对应节点12、节点13、节点9和节点8。

F. models文件夹 & obbs文件夹

models文件夹存储.obj格式的模型。obbs文件夹存储每个模型的对应obb文件。

搜集汇总

数据集介绍

构建方式

PartNet_Dataset 数据集的构建基于斯坦福大学发布的PartNet论文中的数据集，该论文数据集包含24个对象类别，模型精细但缺乏自顶向下的递归层次结构以进行3D点云的细粒度分割。本数据集通过为模型赋予设计的层次结构，将原始数据集重组为PartNet数据集，从而推动形状分析、动态3D场景建模与仿真、工具性分析等多项任务。

特点

本数据集的特点在于其采用自顶向下的递归层次树来表示模型，包含22699个涵盖24个形状类别的3D形状。每个模型被分解为多个部分，并按照叶节点、相邻节点和对称节点进行分类，以支持细粒度和层次化的3D对象理解。此外，数据集的结构化存储使得从叶节点到其对应的边界框索引、标签和对称参数的映射变得直观且易于访问。

使用方法

用户可通过提供的链接获取数据集，数据集以.mat文件的形式存储各类信息，如节点类型、边界框索引、边界框、节点标签、对称参数以及模型和边界框的.obj和.obb文件。用户需要根据提供的节点类型和标签信息，构建相应的层次树结构，并利用这些信息进行模型分割、形状分析等任务。

背景与挑战

背景概述

PartNet_Dataset数据集源自斯坦福大学发表的论文，旨在构建一个用于精细粒度和层次化部分级3D对象理解的基准数据集。该数据集的创建可追溯至2019年，由Fenggen Yu等研究人员提出，主要解决了3D点云的精细分割问题。通过构建一个自顶向下的递归层次树来表示模型，PartNet_Dataset不仅包含了24个对象类别的22699个3D形状，还对每个模型进行了分解，使其适用于形状分析、动态3D场景建模与仿真、工具性分析等多项任务，对相关领域产生了重要影响。

当前挑战

该数据集在构建过程中遇到的挑战主要包括如何为3D点云模型赋予一个有效的层次结构，以便进行精细分割。此外，数据集在组织模型时，需要将每个模型分解为多个部分，并为每个部分指定类型和对称参数，这一过程在实施上具有一定的复杂性。在研究领域问题方面，该数据集面临的挑战是如何准确地进行3D对象的部分级别理解和层次化分割，这对于提高3D对象理解的精细度和准确性至关重要。

常用场景

经典使用场景

在精细化的三维对象理解领域，PartNet_Dataset以其对物体部件的层级分解而成为一项重要的资源。该数据集的经典使用场景在于，研究者通过其提供的物体模型及其分解的部件层级树，进行形状分析、动态三维场景建模与仿真、工具适用性分析等任务，进而实现对物体的高级理解与处理。

实际应用

在实际应用中，PartNet_Dataset的应用场景广泛，例如，在计算机图形学、机器人视觉系统、虚拟现实交互设计等领域，利用该数据集可以提升物体建模的准确性与效率，进而优化用户体验，降低生产成本，加快产品开发周期。

衍生相关工作

基于PartNet_Dataset，衍生出了大量相关的工作，如PartNet网络的提出，它是一种用于细粒度与分层形状分割的递归分解网络。此外，还有许多研究在此基础上探讨了三维物体部件的识别、分割以及三维模型的生成等前沿问题，推动了计算机视觉与图形学领域的进步。