標準化數據集在多媒體研究中至關重要。今天，我們要給大家推薦一個彙總了姿態檢測數據集和渲染方法的 github repo。
項目地址：https://github.com/YoungXIAO13/ObjectPoseEstimationDatasets
這個數據集彙總了用於對象姿態估計的數據集，以及生成合成訓練數據的呈現方法。在下表中，3D CAD 模型表示為模型，2D 圖像表示為對象。
該項目分為四個部分：
受控環境中的對象
野外物體
3D 模型數據集
渲染方法
受控環境中的對象
此表列出了通常稱為 BOP:Benchmark 6D 對象姿態估計的數據集，該數據集提供精確的 3D 對象模型和精確的 2D~3D 對齊。
可以下載所有 BOP 數據集，並使用作者提供的工具箱。
使用項目上面的代碼 ply2obj.py 將原始 .ply 文件轉換為 .obj 文件，並運行 create_annotation.py 為數據集中的所有場景創建一個註釋文件。
以上數據集的下載地址：
HomebrewedDB：https://bop.felk.cvut.cz/datasets/
YCB-Video：https://rse-lab.cs.washington.edu/projects/posecnn/
T-LESS：https://bop.felk.cvut.cz/datasets/
Doumanoglou：https://bop.felk.cvut.cz/datasets/
Tejani：https://bop.felk.cvut.cz/datasets/
Occluded-LINEMOD：https://bop.felk.cvut.cz/datasets/
LINEMOD：https://bop.felk.cvut.cz/datasets/
野外物體
在該表中， Pix3D 和 ScanNet 提供精確的 2D-3D 對齊，而其他僅提供粗略的對齊。
PASCAL3D+ 是用於視點估計的事實基準。
ScanNet 通常用來評估場景重建和分割。
數據集下載地址：
ApolloCar3D：http://apolloscape.auto/car_instance.html
Pix3D：http://pix3d.csail.mit.edu/
ScanNet：http://www.scan-net.org/
ObjectNet3D：http://cvgl.stanford.edu/projects/objectnet3d/
PASCAL3D+：http://cvgl.stanford.edu/projects/pascal3d.html
KITTI：http://www.cvlibs.net/datasets/kitti/eval_object.php
3D 模型數據集
為了驗證網絡泛化能力，可以使用以下數據集生成合成訓練數據。請注意，ABC 包含通用和任意的工業 CAD 型，而 ShapeNetCore 和 ModelNet 包含常見類別的對象，如汽車和椅子。
數據集地址：
ABC：https://deep-geometry.github.io/abc-dataset/
ShapeNetCore：https://www.shapenet.org/download/shapenetcore
ModelNet-40：http://modelnet.cs.princeton.edu/
渲染方法
可微渲染
這裡有兩篇參考論文：CVPR 2018 論文《Neural 3D Mesh Renderer》和 NIPS 2018 論文《RenderNet》。
Blender Render 渲染
本 repo 提供了相關的 python 代碼，以使用 Blender 作為一個易於安裝和生成照片級真實圖像的 python 模塊，從 3D 模型生成渲染圖像。
你可以在這裡找到更多關於使用它的方法。
物理模擬器
Pybullet是機器人界非常受歡迎的一個物理模擬器。
其他
Glumpy：不支持無頭渲染（在 ssh 模式下會失敗）
UnrealCV：Unreal Engine 4 的擴展，幫助與虛擬世界交互並與外部程序通信。
合成計算機視覺：恢復許多用於生成合成圖像的技術
via：https://github.com/YoungXIAO13/ObjectPoseEstimationDatasets
雷鋒網網雷鋒網雷鋒網
閱讀更多 雷鋒網 的文章
