2.関連データセット
2.1RGB-Dデータセット
テクスチャクラスのオブジェクト
ベンチマーク：非常に雑然としたシーンでのテクスチャのない3Dオブジェクトのモデルベースのトレーニング、検出、ポーズ推定。ACCV、2012年。
カラー3Dメッシュモデルで表される15個のテクスチャのないオブジェクト
各オブジェクトは、最大1200個のRGB-D画像で構成されるテストシーケンスに関連付けられており、各オブジェクトには
オブジェクトのインスタンスが1つだけ含まれています。
オブジェクトには、識別可能な色、形状、サイズがあります
モデル化されたすべてのオブジェクトの追加のグラウンドトゥルースポーズ：3Dオブジェクト座標を使用した6Dオブジェクトポーズ推定の学習。2014年のECCV
3Dオブジェクト検出とポーズ推定のための潜在クラスのハフフォレスト
2つのテクスチャレスオブジェクトと4つのテクスチャオブジェクトを含むデータセットを提示します。
各オブジェクトは、700を超えるRGB-D画像のテストシーケンスを備えたカラー3Dメッシュモデルです。
中程度のオクルージョンがなく、2Dおよび3Dのクラッターがあるいくつかのオブジェクトインスタンス。
6Dオブジェクトのポーズを復元し、群衆の中の次善のビューを予測します。2016年のCVPRで。
2つのテクスチャオブジェクトの183のテスト画像は、重度の咬合を伴う困難なビンピッキングシナリオで複数のインスタンスに表示されます。
別の6つのテクスチャオブジェクトのカラー3Dメッシュモデルと、キッチンテーブルに配置されたオブジェクトを描いた170のテスト画像。
チャレンジデータセットとウィローデータセット
高精度のインスタンス認識のためのマルチモーダルブレンディング。IROS、2013年
35個のテクスチャ付き家庭用オブジェクトのセット
各オブジェクトは異なるビューからの37RGB-D、トレーニング画像をマージすることによって取得されたカラーポイントクラウド。
それぞれ、ターンテーブルの上に配置された単一インスタンスの複数のオブジェクトの176および353のテストRGB-D画像が含まれています。
Willowデータセットは、ディストラクタオブジェクトとオブジェクトオクルージョンも備えています。
TUWデータセット
224個のテストRGB-D画像に表示される17個のテクスチャ付きおよびテクスチャなしのオブジェクト。
ラトガースデータセット
さまざまな量のオクルージョンを含む10K以上のテストRGB-D画像でキャプチャされた、Amazon Picking Challenge2015の24のほとんどテクスチャリングされたオブジェクトのカラー3Dメッシュモデル。
3Dオブジェクト認識のためのグローバルな仮説検証方法。ECCV、2012年。
テクスチャとテクスチャのない35の家庭用オブジェクトの色情報のない3Dメッシュモデル
50は、単一のインスタンスに複数のオブジェクトがあり、乱雑でさまざまなレベルのオクルージョンがないテーブルトップシーンのRGB-D画像をテストします。
BigBIRDデータセット
125のほとんどテクスチャオブジェクトオブジェクト
ごとに、データセットは600のRGB-Dポイントクラウド、600の高解像度RGB画像、およびカラー3Dメッシュモデルを提供します。
大規模な階層型マルチビューRGB-Dオブジェクトデータセット。
300の一般的な家庭用品が3つの高さからターンテーブルにキャプチャされています。
250Kのセグメント化されたRGB-D画像と22の注釈付きビデオシーケンス。それぞれに数百のRGB-Dフレームがあります。
グラウンドトゥルースは、トレーニング画像の場合はおおよその回転角の形式で、テスト画像の場合は3Dポイントラベリングの形式でのみ提供されます。
バーチャルリアリティからのグラウンドトゥルースによるポーズ推定の新しいベンチマーク。製造工学、2014年。
Cranfieldアセンブリベンチマークからの4つのテクスチャレスオブジェクトを含むシミュレートされたオブジェクト操作シナリオから合成されたRGB-D画像
2.2深度のみおよびRGBのみのデータセット
深さ
雑然としたシーンでの3次元モデルベースのオブジェクト認識とセグメンテーション。TPAMI、2006年。
産業用レンジスキャナーで取得した5つのオブジェクトと50のテスト深度画像の3Dメッシュモデル。
テストシーンには、互いに遮るモデル化されたオブジェクトのみが含まれています
範囲データ内のオブジェクト認識のための可変次元ローカル形状記述子。ICCV、2007年
。Desk3Dデータセット
オクルージョンとクラッターが存在する場合の堅牢なインスタンス認識。ECCV、2014年。
オクルージョン、クラッター、および同様に見えるディストラクタオブジェクトを含む850以上のテスト深度画像でキャプチャされた6つのオブジェクトの3Dメッシュモデル。
RGB画像
IKEAオブジェクトの解析：細かいポーズの推定。ICCV、2013年。
完全に一致する3Dモデルに位置合わせされているオブジェクト
単眼画像での正確な3Dオブジェクト検出と追跡のためのパーツの新しい表現。ICCV、2015年。
3D CADモデルと、3つの高度にオクルージョンされたテクスチャのないオブジェクトを含む注釈付きRGBシーケンス。
単一のRGB画像からのテクスチャのないオブジェクトの高速6Dポーズ推定。ICRA、2016年。
6つのテクスチャのないオブジェクトのRGBシーケンス。それぞれが、きれいな背景に対して分離して、オクルージョンなしで画像化されます。
2.3。同様の問題のデータセット
3.T-LESSデータセット
- 多数の業界関連オブジェクト
- 制御された条件下でキャプチャされたトレーニング画像
- 視点が大きく変化する画像、クラッターやオクルージョンの影響を受ける複数のインスタンスのオブジェクトをテストします。最先端の方法でも挑戦的なテストケースを含み、
- 同期およびキャリブレーションされたセンサーのトリプレットでキャプチャされた画像
- モデル化されたすべてのオブジェクトの正確なグラウンドトゥルース6Dポーズ
- オブジェクトごとに2種類の3Dモデル。
画像取得、カメラキャリブレーション、深度補正、3Dオブジェクトモデル生成、グラウンドトゥルースポーズアノテーション。
3.1。取得の設定
3.2。センサーのキャリブレーション
3.3。トレーニングとテストの画像
3.4。深さ補正
3.5。3Dオブジェクトモデル
3.6。グラウンドトゥルースポーズ
シーンの高密度3Dモデルは、Steinbrücker
のシステムを使用して最初に再構築されました。次に、CADオブジェクトモデルが手動でシーンモデルに位置合わせされました。
キヤノンから選択されたいくつかの高解像度シーン画像にレンダリング
最終的なポーズは、既知のカメラからターンテーブルへの座標変換を使用して、すべてのテスト画像に配布されました。