Toronto-3D：面向城市道路语义分割的大规模移动LiDAR数据集

大规模室外点云的语义分割在诸多应用中对于城市场景理解具有重要意义，尤其在自动驾驶与城市高精地图（HD Mapping）领域。随着移动激光扫描（Mobile Laser Scanning, MLS）系统技术的快速发展，可用于场景理解的大规模点云数据日益丰富，但公开可获取的大规模标注数据集仍十分有限，而这类数据集对于基于学习的方法开发至关重要。本文介绍了Toronto-3D，这是一个利用MLS系统在加拿大多伦多采集的大规模城市室外点云数据集，专用于语义分割任务。该数据集覆盖约1公里的点云范围，包含约7830万个点，共标注8类物体对象。本文开展了语义分割的基线实验，结果验证了该数据集在有效训练深度学习模型方面的潜力。Toronto-3D已正式发布，旨在推动相关研究的进一步发展，同时将根据学术界反馈持续优化和更新标注信息。