2D-3D Match Dataset ist ein Datensatz, der eine 2D-3D-Korrespondenz erreicht, indem er mehrere 3D-Datensätze aus RGB-D-Scans nutzt. Der Datensatz verwendet Daten von SceneNN und 3DMatch. Der Trainingsdatensatz besteht aus 110 RGB-D-Scans, von denen 56 Szenen aus SceneNN und 54 Szenen aus 3DMatch stammen. Ausgehend von zufällig ausgewählten 3D-Punkten aus einer 3D-Punktwolke wird ein Satz von 3D-Patches aus verschiedenen Scanansichten extrahiert. Dieser Datensatz verwendet eine neuartige Methode zum Erlernen lokaler domänenübergreifender Deskriptoren für die Zuordnung von 2D-Bildern und 3D-Punktwolken. Der Datensatz enthält 1,4 Millionen 2D-3D-Korrespondenzen aus öffentlichen RGB-D-Szenen mit unterschiedlichen Lichtverhältnissen und Einstellungen.

Zitat

Wenn Sie unsere Arbeit für Ihre Forschung nützlich finden, zitieren Sie sie bitte: @inproceedings{pham2020lcd, Titel = {{LCD}: {L}gelernte domänenübergreifende Deskriptoren für 2{D}-3{D}-Matching}, Autor = {Pham, Quang-Hieu und Uy, Mikaela Angelina und Hua, Binh-Son und Nguyen, Duc Thanh und Roig, Gemma und Yeung, Sai-Kit}, Buchtitel = {AAAI-Konferenz über Künstliche Intelligenz}, Jahr = 2020 } @inproceedings{hua2016scenenn, title = {{SceneNN}: {A} scene meshes dataset with a{NN}otations}, Autor = {Hua, Binh-Son und Pham, Quang-Hieu und Nguyen, Duc Thanh und Tran, Minh-Khoi und Yu, Lap-Fai und Yeung, Sai-Kit}, Buchtitel = {Internationale Konferenz über 3D-Vision}, Jahr = 2016 } @inproceedings{zeng20173dmatch, title = {{3DMatch}: {Lernen lokaler geometrischer Deskriptoren aus {RGB}-{D}-Rekonstruktionen}, Autor= {Zeng, Andy und Song, Shuran und Nie{\ss}ner, Matthias und Fisher, Matthew und Xiao, Jianxiong und Funkhouser, Thomas}, Buchtitel = {IEEE-Konferenz über Computer Vision und Mustererkennung}, Jahr = 2017 }