大场景室内点云标注数据集S3DIS介绍
重要说明
多用于室内点云的语义分割和实例分割（每个柱子桌椅等都是分开标注的）
6个区域：【目录名称】
Area1、Area2、Area3、Area4、Area5、Area6
13个语义元素： 【annotation的类别】
天花板ceiling、地板floor、墙壁wall、梁beam、柱column、窗window、门door
桌子table、椅子chair、沙发sofa、书柜bookcase、板board 、混杂元素（其他）clutter
11种场景：【单文件的名称】
办公室、会议室、走廊、礼堂、开放空间、大堂、休息室、储藏室、复印室、储藏室和卫生间
office, conference room, hallway, auditorium, open space, lobby, lounge, pantry, copy room, storage and WC
S3DIS的采集方式
使用 Matterport 相机收集数据，该相机结合了 3 个不同间距的结构光传感器，在每个扫描位置 360° 旋转期间捕获 18 个 RGB 和深度图像。每次 360° 扫描以 60° 为增量执行，每个位置提供 6 个三元组 RGB-D 数据。输出是扫描区域的重建 3D 纹理网格、原始 RGB-D 图像和相机元数据。我们使用这些数据作为基础来生成额外的 RGB-D 数据并通过对网格进行采样来制作点云。我们直接在 3D 点云而不是图像上对数据进行语义注释，然后将每个点的标签投影到 3D 网格和图像域上。在6个区域的271个房间，使用Matterport相机（结合3个不同间距的结构光传感器），扫描后生成重建3D纹理网格，RGB-D图像等数据，并通过对网格进行采样来制作点云。对点云中的每个点都加上了1个语义标签（例如椅子，桌子，地板，墙等共计13个对象）。
原始的采集数据Full 2D-3D-S Dataset
完整的 2D-3D-S 数据集：https://github.com/alexsax/2D-3D-Semantics
参看：https://blog.csdn.net/weixin_43823054/article/details/101003471
Stanford3dDataset_v1.2_Aligned_Version点云数据集
该目录包含具有注释的 3D 点云。txt文件格式；xyzrgb文件。
Annotations目录下是各个类别的点云剪裁，也为xyzrgb文件。
cat conferenceRoom_1.txt | wc -l
1136617
cat Annotations/* | wc -l
1136617完全标注，每一个空间点都有标注。
这些 3D 点云由原始采集数据（2D-3D-S）解析转化出来，转化过程为可以通过直接解析自带的mat文件进行解析，也可以通过合成rgb和深度图进行解析，也可以直接官网下载转化后的这个数据集。
indoor3d_sem_seg_hdf5_data数据
indoor3d_sem_seg_hdf5_data是Pointnet、point-transformer等语义分割算法处理数据的方式。
用于训练的数据会按照房间来划分点集，将房间的点云数据划分为1 m × 1 m 的块，然后再对每个块预测其中每个点的语义标签。每个点由一个9-dim向量表示，分别为：X, Y, Z, R, G, B, X`,Y`,Z` 。
X`Y`Z` 是标准化后的每个block相对于所在房间的位置坐标( 值为0 - 1)。
在训练时，从每个块中随机采样4096个点，使用K折交叉验证（github中是6折，论文中是3折），6-fold即训练集5个区域，测试集1个区域；3-fold：训练集4个区域，测试集2个区域，防止过拟合的常用手段。
对于分割网格进行训练，如果采用这种切分块式样的预处理方式作为输入，会影响到最后的结果，比如一张桌面出现两种不同的错误分割，这一点在RandLA-Net一文中进行了说明。因此RandLA说在做大场景点云分割的时候不能直接使用pointnnet这种方式，因为网络难以有效地学习到一个物体的整体几何结构，也是大场景点云分割的改进点。
可以通过https://github.com/charlesq34/pointnet/blob/master/sem_seg/collect_indoor3d_data.py和gen_indoor3d_h5.py 将S3DIS点云转化为h5格式，用于pointnet、point-transformer等模型的训练。
sudo apt-get install libhdf5-dev
sudo pip install h5py
python collect_indoor3d_data.py # 用于数据的重组，转换为.npy格式文件，比如Area_1_hallway_1.npy（.npy为Numpy专用的二进制格式）。
python gen_indoor3d_h5.py # 再将.npy文件批量转为HDF5文件（作者提示Stanford3dDataset_v1.2_Aligned_Version\Area_5\hallway_6\Annotations\ceiling_1.txt中的第180389行数字185后中多了一个额外的字符，不符合编码规范，需要手动删除）
也可以从网上直接下载转化后的indoor3d_sem_seg_hdf5_data.zip。
indoor3d_sem_seg_hdf5_data 文件夹，其中包含ply_data_all_0.h5~ply_data_all_23.h5 共24个.h5结尾的数据文件。
每个文件都包含data和 label数据。
除最后一个为585行数据以外，这24个文件共有23×1000+585=23585行，每行对应源点云文件一个切分为 1m×1m的Block，每个block随机取出4096个点，每个点对应9个维度X, Y, Z, R, G, B, X`,Y`,Z` 和一个label维度。X`Y`Z` 是标准化后的每个block相对于所在房间的位置坐标( 值为0 - 1)。