摘要

利用监督深度学习方法的关键要求之一是大量标注数据集的可用性。然而，在RGB-D场景理解的背景下，可用的数据非常有限——现有的数据集仅覆盖了少量的场景视角，并且语义注释也十分有限。为了解决这一问题，我们引入了ScanNet，这是一个包含1513个场景中的250万视图的RGB-D视频数据集，这些视图标注有3D相机姿态、表面重建和语义分割。为了收集这些数据，我们设计了一个易于使用且可扩展的RGB-D采集系统，该系统包括自动化的表面重建和众包语义注释。我们展示了使用这些数据有助于在多个3D场景理解任务中实现最先进的性能，包括3D物体分类、语义体素标记和CAD模型检索。该数据集可在http://www.scan-net.org免费获取。