ScanNet是由斯坦福大学、普林斯顿大学和慕尼黑工业大学的研究人员共同开发的大规模RGB-D视频数据集。它包含了超过1500个室内场景的250万个视图,每个视图都带有精确的3D相机姿态、表面重建和实例级语义分割标注。ScanNet的主要特点包括:
ScanNet的推出为3D计算机视觉和机器学习领域提供了一个重要的基准数据集,推动了3D场景理解、语义分割、目标检测等任务的研究进展。
ScanNet数据集按RGB-D序列组织。每个序列存储在名为scene<spaceId>_<scanId>
的目录下,其中每个space对应一个唯一的位置(从0开始索引)。每个序列目录包含以下内容:
<scanId>.sens
: RGB-D传感器流,包含彩色帧、深度帧、相机姿态等数据<scanId>_vh_clean.ply
: 高质量重建网格<scanId>_vh_clean_2.ply
: 用于语义标注的清理和简化网格<scanId>_vh_clean_2.0.010000.segs.json
: 标注网格的过分割<scanId>.aggregation.json
: 聚合的实例级语义标注<scanId>_vh_clean_2.labels.ply
: 聚合语义分割的可视化<scanId>_2d-label.zip
: 2D投影标签<scanId>_2d-instance.zip
: 2D投影实例这种组织结构使得研究人员可以方便地访问和处理各种类型的数据,包括原始传感器数据、重建网格以及语义标注。
ScanNet使用多种数据格式来存储不同类型的信息:
重建表面网格文件(*.ply): 二进制PLY格式,+Z轴为竖直方向。
RGB-D传感器流(*.sens): 压缩二进制格式,包含每帧的颜色、深度、相机姿态等数据。
表面网格分割文件(*.segs.json): JSON格式,包含分割参数和每个顶点的分割索引。
聚合语义标注文件(*.aggregation.json): JSON格式,包含场景ID、分割组等信息。
2D标注投影: 将3D聚合标注投影到RGB-D帧中的2D图像。
这些多样化的数据格式为研究人员提供了丰富的信息,以支持各种3D视觉任务的研究和开发。
为了方便研究人员使用ScanNet数据集,项目提供了一系列工具:
ScanNet C++工具包: 用于处理ScanNet数据的工具,包括SensReader用于加载.sens数据。
相机参数估计代码: 用于估计相机参数和深度去畸变。
网格分割代码: 用于预处理网格并准备语义标注的超分割计算代码。
BundleFusion重建代码: ScanNet使用BundleFusion进行3D重建。
ScanNet扫描仪iPad应用: 用于使用带有Structure.io传感器的iPad轻松捕获RGB-D序列。
ScanNet扫描仪数据服务器: 接收来自iPad扫描应用的RGB-D序列的服务器代码。
ScanNet数据管理UI: 基于Web的数据管理界面,用于概览可用的扫描数据并控制处理和标注流程。
这些工具大大简化了数据的采集、处理和管理流程,使研究人员能够更加专注于算法的开发和实验。
ScanNet项目还提供了用于语义标注的Web界面。这些工具是SSTK(Semantic Scene Toolkit)库的一部分。研究人员 可以使用这些工具来创建和编辑3D场景的语义标注,从而不断扩充和改进数据集的质量。
ScanNet为多个3D场景理解任务提供了基准测试:
这些任务的训练/测试数据划分可在Tasks/Benchmark目录中找到。标签映射和预训练模型可随ScanNet数据一起下载。
这些基准测试为研究人员提供了一个统一的评估平台,便于比较不同算法的性能,推动了3D视觉领域的快速发展。
ScanNet任务数据发布中的标签映射文件(scannet-labels.combined.tsv
)包含了ScanNet标注中提供的标签(id
)到以下对象类别集的映射:
这种标签映射使得ScanNet能够与其他常用的3D数据集进行比较和集成,增强了数据集的通用性和实用性。
在ScanNet的基础上,研究人员最近推出了ScanNet++数据集。ScanNet++包含450多个3D室内场景,具有以下特点:
ScanNet++的3D重建带有长尾和标签模糊语义的标注,可用于基准测试语义理解方法。同时,耦合的DSLR和iPhone采集使其成为测试高质量和普通设置下新视图合成方法的理想平台。
ScanNet++的 推出进一步扩展了3D室内场景数据集的边界,为研究人员提供了更高质量、更多样化的数据,有望推动3D视觉技术向更高水平发展。
ScanNet数据集在计算机视觉和机器学习领域有广泛的应用,主要包括:
3D语义分割: 对3D场景中的每个点或体素进行语义标注。
3D实例分割: 不仅识别物体类别,还区分同类物体的不同实例。
3D物体检测: 在3D空间中定位和识别物体。
场景重建: 从RGB-D数据重建完整的3D场景。
新视角合成: 基于已有视角生成新的场景视角。
零样本学习: 识别训练集中未出现的物体类别。
持续学习: 在不忘记已学知识的前提下学习新知识。
这些应用涵盖了3D视觉的多个重要方向,ScanNet的出现大大推动了这些领域的研究进展。
要获取ScanNet数据,研究人员需要遵循以下步骤:
值得注意的是,ScanNet数据的使用受到一定的限制,仅允许用于非商业研究目的。使用ScanNet数据或代码时,请引用以下论文:
@inproceedings{dai2017scannet,
title={ScanNet: Richly-annotated 3D Reconstructions of Indoor Scenes},
author={Dai, Angela and Chang, Angel X. and Savva, Manolis and Halber, Maciej and Funkhouser, Thomas and Nie{
ss}ner, Matthias},
booktitle = {Proc. Computer Vision and Pattern Recognition (CVPR), IEEE},
year = {2017}
}
ScanNet作为一个大规模、高质量的3D室内场景数据集,为3D计算机视觉研究提供了 宝贵的资源。它不仅包含丰富的RGB-D数据和精确的3D重建,还提供了详细的语义标注和实例分割信息。ScanNet的多样性和规模使其成为开发和评估3D场景理解算法的理想平台。
随着ScanNet++的推出,研究人员现在有了更高质量、更多样化的数据来推动3D视觉技术的发展。这些数据集的持续改进和扩展,将为未来的智能系统在理解和交互3D环境方面铺平道路,有望在机器人、增强现实、自动驾驶等领域产生深远影响。
作为研究人员,充分利用ScanNet和ScanNet++这样的高质量数据集,结合最新的深度学习技术,将有助于突破3D视觉领域的前沿,开发出更智能、更可靠的3D场景理解系统。随着技术的不断进步,我们离实现真正的智能3D环境感知又近了一步。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能 体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号