L'ensemble de données de correspondance 2D-3D est un ensemble de données qui permet d'obtenir une correspondance 2D-3D en exploitant plusieurs ensembles de données 3D à partir de numérisations RVB-D. L'ensemble de données utilise les données de SceneNN et 3DMatch. L'ensemble de données d'entraînement se compose de 110 scans RVB-D, dont 56 scènes proviennent de SceneNN et 54 scènes de 3DMatch. Étant donné des points 3D échantillonnés aléatoirement à partir d'un nuage de points 3D, un ensemble de patchs 3D est extrait de différentes vues de numérisation. Cet ensemble de données adopte une nouvelle méthode pour apprendre les descripteurs inter-domaines locaux pour la correspondance d'images 2D et de nuages de points 3D. L'ensemble de données contient 1,4 million de correspondances 2D-3D provenant de scènes RVB-D publiques avec différentes conditions et paramètres d'éclairage.

Citation

Si vous trouvez nos travaux utiles pour vos recherches, veuillez envisager de les citer : @inproceedings{pham2020lcd, titre = {{LCD} : Descripteurs inter-domaines {appris} pour la correspondance 2D-3D}, auteur = {Pham, Quang-Hieu et Uy, Mikaela Angelina et Hua, Binh-Son et Nguyen, Duc Thanh et Roig, Gemma et Yeung, Sai-Kit}, titre du livre = {Conférence AAAI sur l'intelligence artificielle}, année = 2020 } @inproceedings{hua2016scenenn, titre = {{SceneNN} : {Un} ensemble de données de maillages de scène avec des {NN}notations}, auteur = {Hua, Binh-Son et Pham, Quang-Hieu et Nguyen, Duc Thanh et Tran, Minh-Khoi et Yu, Lap-Fai et Yeung, Sai-Kit}, titre du livre = {Conférence internationale sur la vision 3D}, année = 2016 } @inproceedings{zeng20173dmatch, titre = {{3DMatch} : {Apprentissage} de descripteurs géométriques locaux à partir de reconstructions {RGB}-{D}}, auteur= {Zeng, Andy et Song, Shuran et Nie{\ss}ner, Matthias et Fisher, Matthew et Xiao, Jianxiong et Funkhouser, Thomas}, booktitle = {Conférence IEEE sur la vision par ordinateur et la reconnaissance des formes}, année = 2017 }