1. 关于城市规模点云语义挑战赛
在过去的几年里，针对三维点云数据的智能化处理取得了显著的进展。然而，现有的大部分方法依然局限于小规模的三维点云（例如目标级别、室内场景级别），对于城市级别点云等更大规模的数据的语义理解仍然处于起步阶段。
为此，我们提出了城市规模三维点云数据集SensatUrban (IJCV'22) [1]，并举办Urban3D挑战赛，希望通过提供全新的大规模点云数据集(SensatUrban以及STPLS3D [2])，能够为城市规模点云语义理解相关研究的发展提供新思路，并借此机会搭建一个供同行们长期互相学习与交流的新平台。
SensatUrban数据集可视化
挑战赛官方主页地址 ：https://urban3dchallenge.github.io/
2. 主要区别
今年的Urban3D挑战赛最大的区别是什么呢？
对！就是新增了城市规模点云Instance Segmentation的赛道~
做过这个领域的朋友们可能都知道，目前具有实例级标注的点云数据集主要集中于室内场景，而大规模户外的三维场景数据集并不多。为此，我们通过在Unreal虚拟引擎中模拟现实环境下无人机摄影测量重建的过程，用合成(synthetic)的方式生成了城市规模的STPLS3D(BMVC'22 Oral)数据集。数据生成的demo如下：
http://mpvideo.qpic.cn/0bc36maicaaapyadog2s5zrvb46dqhzqbaia.f10002.mp4?
该数据集包含16平方公里范围的合成城市场景，点云中的每个点都具有丰富的语义标签（18种语义类别）及实例标签（14种实例类别），非常适合用于验证和发展现有点云实例分割算法在城市规模点云的应用(本次挑战赛采用Synthetic V3数据集)。
http://mpvideo.qpic.cn/0bc3hqaioaaa3mad3skskfrvapgdq46abbya.f10002.mp4?
值得一提的是，我们在合成数据的时候尽可能在虚拟环境中去模拟现实条件下无人机摄影测量过程中的飞行路径以及噪声模式，因而相比于直接通过ray-casting得到的点云具有更加真实的分布，如下图所示：
http://mpvideo.qpic.cn/0bc3emah6aaazmamtt2scbrvai6dp4rqa7ya.f10002.mp4?
3. 比赛概况
语义分割赛道CodaLab平台数据统计
相比于去年的挑战赛，今年的Urban3D Challenge竞争更加激烈，比如：
- 语义分割赛道的冠亚军直到挑战赛最后一天才最终决出；
- 相比于去年语义分割赛道的结果，今年排名前5的队伍在分割性能上都超过了去年的最优结果，最优精度达到了75.4% mIoU，相比于去年最优结果提升了6.7个百分点。Fantastic！
- 在实例分割赛道，冠军队伍取得了66.12%的AP值，超过baselines(HAIS、PointGroup) 接近31%
- 有一支队伍（B•B•G）在语义分割和实例分割赛道都进入了前三名....其实，他们也是去年的冠军队伍
再恭喜一下第二届Urban3D挑战赛各赛道的前三名队伍
最后，我们计划基于这两届比赛的结果写一份technical report，欢迎各位参赛的队员（包含第一届或者第二届）按模板提供相关信息，优秀方法的作者将会被邀请作为co-author一同完成此report，请感兴趣的参赛者与我们联系，于2022.11.30之前将此报告发送至huqingyong15@outlook.com邮箱。
- https://qingyonghu.github.io/
- https://yang7879.github.io/
Reference
[1]Hu, Q., Yang, B., Khalid, S., Xiao, W., Trigoni, N., & Markham, A. (2022). Sensaturban: Learning semantics from urban-scale photogrammetric point clouds.International Journal of Computer Vision,130(2), 316-343.
[2]Chen, M., Hu, Q., Hugues, T., Feng, A., Hou, Y., McCullough, K., & Soibelman, L. (2022). STPLS3D: A Large-Scale Synthetic and Real Aerial Photogrammetry 3D Point Cloud Dataset. British Machine Vision Conference.
