mmdetection3d S3DIS （持续更新）

        Mmdetection3d集成了大量3D深度学习算法，其中很大一部分可以在室内三维数据集S3DIS上运行。本节重点介绍S3DIS数据集及其在mmdetection3d中的预处理程序。

1 S3DIS

        S3DIS（Stanford Large-Scale 3D Indoor Spaces Dataset ）数据集是斯坦福大学开发的室内点云数据集，含有像素级语义标注信息。官方下载地址为http://buildingparser.stanford.edu/dataset.html，需要简单填一下信息，填完即可出现下载链接，不需要进行邮箱验证确认。

        这里下载的数据集为Stanford3dDataset_v1.2_Aligned_Version.zip，解压之后有Area_1（44个场景）、Area_2（40个场景）、Area_3（23个场景）、Area_4（49个场景）、Area_5（68个场景）、Area_6（48个场景）六个文件夹，即6个不同区域。S3DIS在6个区域的271个房间中共采集了272个场景。每个场景包含一个txt点云文件和一个Annotations文件夹。这个txt文件是该场景的全部点云，每个点云含xyzrgb六个维度数据。Annotations文件夹下为各个类别的txt点云文件，同样存储了xyzrgb六个维度的数据。显然。各个类别的点云应该是总的场景点云的一部分。场景和语义类别共分为：

        11种场景：Office（办公室）、conference room（会议室）、hallway（走廊）、auditorium（礼堂）、（open space开放空间）、 lobby（大堂）、lounge（休息室）、pantry（储藏室）、（复印室）、copy room（储藏室）和storage and WC（卫生间）。

        13个语义元素： ceiling（天花板）、floor（地板）、wall（墙壁）、beam（梁）、column（柱）、window（窗）、door（门）、table（桌子）、chair（椅子）、sofa（沙发）、bookcase（书柜）、board（板）、clutter （其他）。

2 数据预处理

        Mmdetection3d关于S3DIS数据集的官方处理过程介绍地址为“https://github.com/open-mmlab/mmdetection3d/blob/master/data/s3dis/README.md/”。

2.1 collect_indoor3d_data.py

        collect_indoor3d_data.py程序用于提取原始数据中的点云和标签。data/s3dis/meta_data/anno_paths.txt存储了全部272个场景下的Annotations文件夹路径。/data/s3dis/meta/class_names.txt列举了上面13个语义元素的标签名称。

        运行命令时需要进入到mmdetection3d目录下的data/s3dis文件夹下，即：

cd data/s3dis
python collect_indoor3d_data.py

2.2 create_data.py

        返回到mmdetection3d工程目录下，运行tools/create_data.py程序即可完成S3DIS数据集预处理。

cd ../..
python tools/create_data.py s3dis --root-path ./data/s3dis --out-dir ./data/s3dis --extra-tag s3dis

3 目录结构

        S3DIS数据集预处理完成之后，其目录结构如下图所示。

4 【python三维深度学习】python三维点云从基础到深度学习_Coding的叶子的博客-CSDN博客_python 数学形态 点云从三维点云基础知识到深度学习，将按照以下目录持续进行更新。更新完成的部分可以在三维点云专栏中查看。含数据与python源码。https://blog.csdn.net/suiyingy/article/details/124017716