NEW 도로교통시설 3D 스캐닝 데이터
- 분야영상이미지
- 유형 센서 , 이미지 , 3D
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2023-12-22 데이터 최종 개방 1.0 2023-07-31 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2024-02-28 데이터설명서, 구축활용가이드, 상세페이지 내용 수정 특이사항 설명 추가 2024-01-05 산출물 전체 공개 소개
도로교통 시설 50종 438개 객체에 대한 메타정보, 이미지 및 점군 데이터, 3D모델링, 세그멘테이션 등 다양한 정보를 포함하여 3D Reconstruction을 하기 위한 학습데이터를 구축
구축목적
디지털 트윈 또는 메타버스 환경에서 도시의 실제 모습을 구현하고 시뮬레이션을 구성하기 위한 도로교통 시설의 학습데이터 구축, 공공ㆍ민간의 공통 수요 3D 객체 구축을 지원하고 오픈플랫폼으로 확산
-
메타데이터 구조표 데이터 영역 영상이미지 데이터 유형 센서 , 이미지 , 3D 데이터 형식 *.JPG, *.LAS, *.OBJ, *.JSON, *.PNG, *.MAT 데이터 출처 신규 취득 라벨링 유형 2D 키포인트, 3D 키포인트 라벨링 형식 JSON 데이터 활용 서비스 도로교통 시설 시뮬레이션, 도로교통 시설 디지털트윈 및 메타버스 적용, 3D Reconstruction AI 학습 모델 적용 데이터 구축년도/
데이터 구축량2022년/도로교통 시설 50종 438개 객체 - 이미지 데이터 5,258장, 점군 데이터 438건, 3D 모델링 데이터 438개 이상 -
○ 데이터 구축 규모
• 원천데이터데이터 데이터 구분 포맷 규모(개) 비고 02_SOURCE 이미지데이터 JPG 5,258 객체 당 12방향에서 촬영한 이미지 데이터 점군데이터 LAS 438 배경 포함 점군 데이터 LAS 1,079 객체 추출 점군 데이터 3D모델링 데이터 OBJ 1,084 3D모델링 데이터 MTL 1,084 3D모델링 데이터 텍스쳐 material 파일 JPG 441 3D모델링 데이터 텍스쳐 파일 CityGML 데이터 GML 438 CityGML 데이터 JPG 438 CityGML 데이터 텍스쳐 파일 메타 데이터 JSON 438 시설물 메타 데이터 03_LABELED 라벨링 데이터 JSON 5,258 라벨링된 데이터 마스크 이미지 PNG 5,258 마스크 이미지 데이터 복셀데이터(BINVOX) BINVOX 438 BINVOX 형식의 복셀데이터 복셀데이터(MAT) MAT 438 MAT 형식의 복셀데이터 정규화된 3D모델링 데이터 OBJ 438 정규화된 3D모델링 데이터 MTL 438 정규화된 3D모델링 데이터 텍스쳐 material 파일 JPG 438 정규화된 3D모델링 데이터 텍스쳐 파일 합계 23,404 • 라벨링데이터
데이터 데이터 구분 포맷 규모(개) 비고 03_LABELED 라벨링 데이터 JSON 5,258 라벨링된 데이터 마스크 이미지 PNG 5,258 마스크 이미지 데이터 복셀데이터(BINVOX) BIN 438 BINVOX 형식의 복셀데이터 VOX 복셀데이터(MAT) MAT 438 MAT 형식의 복셀데이터 정규화된 3D모델링 데이터 OBJ 438 정규화된 3D모델링 데이터 MTL 438 정규화된 3D모델링 데이터 텍스쳐 material 파일 JPG 438 정규화된 3D모델링 데이터 텍스쳐 파일 합계 12,706 ○ 데이터 분포
대분류 중분류 소분류 객체 수(개) 비율(%) 교통관리시설 신호등 보행등 7 1.6 점멸등 3 0.68 차량종형_삼색등 2 0.46 차량종형_이색등 2 0.46 차량횡형_삼색등 2 0.46 차량횡형_사색등 4 0.91 표지판 규제 14 3.2 보조 5 1.14 복합 41 9.36 주의 6 1.37 지시 15 3.42 제한높이시설물 제한높이시설물 6 1.37 시각장애인안내벨 시각장애인안내벨 3 0.68 사설안내표지판 사설안내표지판 30 6.85 신호등제어기 신호등제어기 6 1.37 가변안내전광판 가변안내전광판 4 0.91 전광표지 전광표지 10 2.28 긴급전화장치 긴급전화 7 1.6 이정표 이정표 7 1.6 도로부속시설 CCTV 단속용 12 2.74 방범용 7 1.6 정보수집용 1 0.23 정류장안내단말기 정류장안내단말기 10 2.28 전주 전신주 3 0.68 노변기지국 노변기지국 4 0.91 배전함 배전함 6 1.37 보안등 단방향 5 1.14 가로등분전함 가로등분전함 6 1.37 공중전화부스 공중전화 5 1.14 우체통 우체통 10 2.28 경관등 경관등 3 0.68 안테나 안테나 5 1.14 컨버터,변환기 컨버터 17 3.88 변환기 3 0.68 지하환기구 지하환기구 5 1.14 점용시설(면) 점용시설 10 2.28 지하시설통기구파이프 통기구파이프 2 0.46 우편물보관함 우편물보관함 1 0.23 국기봉 단뱡향 1 0.23 양방향 4 0.91 도로안전시설 가로등 다방향 3 0.68 단방향 12 2.74 양방향 5 1.14 도로반사경 양방향 1 0.23 단방향 2 0.46 차량진입방지시설 차량진입방지시설 4 0.91 규제봉 규제봉 4 0.91 출차주의등 출차주의등 5 1.14 방호울타리 방호울타리 11 2.51 차량충격흡수시설 차량충격흡수시설 5 1.14 차도부경계 차도부경계 4 0.91 레일건널목 건널목 2 0.46 차단기 차단기 5 1.14 방호시설 옹벽 옹벽 6 1.37 낙석방지시설 낙석방지 5 1.14 제설시설 제설시설 6 1.37 주차장 주차블럭 주차블럭 3 0.68 자전거보관소 자전거보관소 10 2.28 버스/택시정류장 버스정류장 9 2.05 택시정류장 1 0.23 주차자리안내판 주차자리안내판 3 0.68 환경시설 방음벽 흡음형방음벽 2 0.46 투명 3 0.69 도로화분 도로화분 10 2.28 쓰레기통 쓰레기통 7 1.6 소화전,수도전 소화전 4 0.91 수도전 3 0.69 벤치 벤치 7 1.6 소화기보관함 소화기보관함 2 0.46 합계 438 100 -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드• 기존의 이미지 기반 2D 인식 시스템들은 객체의 3D 구조를 무시하고 2D로 예측한다는 단점이 존재
• 이미지에서 3D 형상을 예측하는 기존 방법들은 대부분 3D 모델의 이미지(객체만 존재하는 합성이미지)를 사용한다는 제약이 있음
• Mesh R-CNN 학습모델은 실제 사진에서 객체를 탐지하고 각 객체의 3D 형상을 Mesh로 표현하여 예측
• Mesh R-CNN은 Mask R-CNN에 다양한 토폴로지 구조의 메쉬를 출력하는 Mesh Prediction Branch를 보강하여 적용
• Mesh Prediction Branch에서는 먼저 Coarse 복셀 표현을 예측하여 Mesh로 변환하고, Mesh를 구성하는 각 점과 변에 대해 Graph Convolution Network를 적용하여 개선
○ 데이터셋 특이사항
• 도로교통 시설물 데이터셋의 경우 Train Set과 Test Set으로 데이터셋이 분할되었으며, Mesh R-CNN의 Pix3D 데이터셋을 참고하여 데이터셋을 구축
- Pix3D 데이터셋을 참고한 이유는 비교적 구축수량이 유사하고, 실제 이미지를 통해 수집 및 키포인트 라벨링을 수행한 데이터셋
- Mesh R-CNN 논문에서 사용한 ShapeNet 데이터셋의 경우 실제 이미지가 아닌 가상 Image를 여러 각도에서 3D 모델을 캡쳐하여 구축한 데이터셋데이터셋 전체 데이터 수 학습 데이터 수 검증 데이터 수 시험 데이터 수 Pix3D 10,069 7,539 0 2,530 ShapeNet 1,050,240 798,357 41,832 210,051 • 또한, Mesh R-CNN 논문에서 저자는 Pix3D 데이터셋의 Validation Set을 구성하지 않았으며, 이유는 데이터셋의 규모와 클래스간 불균형크면, 인해 Training에 영향을 미친다고 설명
- 도로교통시설 데이터셋은 Pix3D 데이터셋보다 데이터 수는 적고 클래스 수는 많기 때문에, 클래스 간 불균형이 보다 크고 클래스 당 이미지 데이터의 수가 적음구분 Pix3D 데이터셋 도로교통시설 데이터셋 데이터 수 10,069 (100%) 5,258 (52.22%) 클래스 수 9 50 클래스별 데이터 수 1118.78 (100%) 105.16 (9.40%) • 즉, 타 데이터셋에 비해 데이터셋의 수량이 적어 Validation Set을 별도로 구성하지 않았으며, 구축 데이터셋을 8:2의 비율로 Training Set/Test Set으로 분할하였음
-
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 도로교통시설 3D 객체 생성(3D Reconstruction) 성능 3D Object Reconstruction Mesh R-CNN meshAP 25 % 70.5 %
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드○ 데이터 포맷
구분 작업 내용 포맷 02_SOURCE
(원천데이터)이미지 데이터 데이터 선별 및 비식별화 JPG 점군 데이터
(배경포함)데이터 선별 및 비식별화, 데이터 정합 LAS 점군 데이터
(객체 추출)데이터 추출 LAS 3D 모델링 정제된 점군을 활용하여 3D모델링 데이터 구축 OBJ 3D모델링 데이터 텍스쳐 Material 파일 MTL 3D모델링 데이터 텍스쳐 파일 JPG 3D 모델링
(CityGML)3D모델링 데이터를 국제표준인 CityGML로 변환 GML 국제표준 CityGML 데이터 텍스쳐 파일 JPG 03_LABELED
(라벨링데이터)라벨링 데이터 3D 키포인트 라벨링, 2D키포인트 라벨링, 메타데이터 JSON 마스크 이미지 마스크 이미지 생성 PNG 복셀데이터 3D모델링 데이터에서 복셀 데이터 생성(MAT 형식) MAT 3D모델링 데이터에서 복셀 데이터 생성(BINVOX 형식) BINVOX ○ 데이터 구성
구분 예시 데이터 항목 이미지 데이터(도로교통 시설물) 
5,258장 점군 데이터(배경 포함) 
438개 점군 데이터(배경 미포함) 
1,079개 3D 모델링(OBJ) 
1,084개 3D 모델링(CityGML) 
438개 마스크 이미지 
5,258장 복셀 데이터(MAT) 
438개 복셀 데이터(BINVOX) 
438개 라벨링 데이터 
5,258건 ○ json 형식
○ 메타데이터 포맷
항목 타입 길이 필수 비고 data_id string 20 Y 시설물 ID data_name string 15 N 시설물 명칭 data_add string 50 Y 시설물 데이터 상세주소 data_security string 1 Y 보안시설 포함 유무(Y/N) data_privacy string 1 Y 개인정보처리 유무(Y/N) data_grade string 12 Y 시설물 분류정보(대,중,소형) data_gubn1 string 12 Y 시설물 구분정보(대분류) data_gubn2 string 12 Y 시설물 구분정보(중분류) data_gubn3 string 12 Y 시설물 구분정보(소분류) model_las_equipment string 30 Y 3D 점군 취득 장비 image_file_list - - - 이미지 데이터 리스트 image_file_id string 255 Y 이미지 파일명 image_file_date string 8 Y 이미지 데이터 촬영일자 image_equipment string 20 Y 이미지 수집 장비 ○ 어노테이션 포맷
구 분 항목명 타입 길이 필수 설명 object_data object Y 시설물 정보 JSON_info object Y JSON 파일 정보 format_version string 10 Y JSON 파일 버전 write_date string 20 Y JSON 파일 작성일 data_info object Y 시설물 속성 정보 data_id string 20 Y 시설물 ID data_name string 15 N 시설물 명칭 data_add string 50 Y 시설물 데이터 상세주소 data_security string 1 Y 보안시설 포함 유무(Y/N) data_privacy string 1 Y 개인정보처리 유무(Y/N) data_grade string 12 Y 시설물 분류정보(대,중,소형) data_gubn1 string 12 Y 시설물 구분정보(대) data_gubn2 string 12 Y 시설물 구분정보(중) data_gubn3 string 12 Y 시설물 구분정보(소) object_info object Y 객체 정보 object_id string 30 Y 객체 ID object_dir_path string 255 Y 객체 폴더 경로 object_dir_path_from_JSON string 255 Y JSON내 객체 폴더 경로 model_info object Y 시설물 3D 모델 정보 model_dir_id string 255 Y 3D 모델 폴더명 model_dir_path string 255 Y 3D 모델 폴더 경로 model_las_equipment string 30 Y 3D 점군 취득 장비 model_file_info object Y 3D 모델 정보 model_file_id string 255 Y 3D 모델 파일명 model_file_path string 255 Y 3D 모델 경로 voxel_file_path string 255 Y 복셀 파일 경로 model_normalized_file_path string 255 Y 정규화된 3D모델 경로 model_normalized_info object Y 3D 모델 정규화 정보 model_center array 3 Y 정규화 모델 중심 좌표 scale number 32 Y 정규화 스케일 image_info object Y 이미지 정보 image_dir_id string 255 Y 이미지 폴더명 image_dir_path string 255 Y 이미지 폴더 경로 image_file_list array - Y 이미지 리스트 image_file_id string 255 Y 이미지 파일명 image_file_date string 8 Y 이미지 데이터 촬영일자 image_equipment string 20 Y 이미지 수집 장비 image_file_path string 255 Y 이미지 파일 경로 image_width number 12 Y 이미지 폭(width) image_height number 12 Y 이미지 높이(height) FocalLength number 12 N 초점거리(mm) FocalLength35mm number 12 N 35mm 환산 초점거리 FocalLength(px) number 32 N 초점거리(pixel) image_exif_orientation number 1 Y 이미지 방향 extrinsic object Y 변환파라미터(외부) mat_rot array 3 Y 회전행렬 vec_trans array 3 Y 이동행렬 extrinsic_normalized object Y 정규화된 3D 모델의 변환파라미터(외부) mat_rot array 3 Y 회전행렬 vec_trans array 3 Y 이동행렬 intrinsic object Y 변환파라미터(내부) cv_fx number 32 Y 초점거리(pixel, x방향) cv_fy number 32 Y 초점거리(pixel, y방향) cv_cx number 10 Y 이미지 주점 위치(x방향) cv_cy number 10 Y 이미지 주점 위치(y방향) intrinsic_normalized object Y 정규화된 3D 모델의 변환파라미터(내부) cv_fx number 32 Y 초점거리(pixel, x방향) cv_fy number 32 Y 초점거리(pixel, y방향) cv_cx number 10 Y 이미지 주점 위치(x방향) cv_cy number 10 Y 이미지 주점 위치(y방향) mask_boundbox array 4 Y 객체 bounding box([x_min, y_min, w, h]) labeling_data object Y 3D_Keypoint_list array - Y 3D Keypoint id string 3 Y 3D Keypoint ID model_file_id string 255 Y 3D 모델 파일명 model_vertex_id string 6 Y 3D 모델 Vertex id model_x number 32 Y 3D 모델상 Keypoint X좌표 model_y number 32 Y 3D 모델상 Keypoint Y좌표 model_z number 32 Y 3D 모델상 Keypoint Z좌표 3d_keypoint_normalized_list array - Y 정규화된 3D Keypoint id string 3 Y 3D Keypoint ID model_file_id string 255 Y 3D 모델 파일명 model_vertex_id string 6 Y 3D 모델 Vertex id model_x number 32 Y 3D 모델상 Keypoint X좌표 model_y number 32 Y 3D 모델상 Keypoint Y좌표 model_z number 32 Y 3D 모델상 Keypoint Z좌표 2D_measureinfo_list array - Y 2D 키포인트 정보 image_file_id string 255 Y 이미지 파일명 2d_keypoint_list array - Y 2D 키포인트 리스트 id string 3 Y 2D Keypoint id 3d_keypoint_id string 3 Y 3D Keypoint id image_x number 32 Y 이미지상 Keypoint X좌표 image_y number 32 Y 이미지상 Keypoint Y좌표 is_measured boolean 1 Y 2D 키포인트 관측 여부 status number 1 Y 향후 상태표시용 예약값 ○ 어노테이션 데이터 실제 예시
-
데이터셋 구축 담당자
수행기관(주관) : 한국국토정보공사
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 강진아 063-713-1296 jakang@lx.or.kr 사업총괄 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜올포랜드 학습모델 및 저작도구개발 ㈜스페이스디자인 데이터 수집, 정제, 가공 ㈜엔토포스 데이터 수집, 정제, 가공 지오캡쳐 데이터 품질검수 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 강진아 063-713-1296 jakang@lx.or.kr
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.