콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#PCD # 세그멘테이션

NEW 한국 골목길 이미지 및 3D 데이터

한국 골목길 이미지 및 3D 데이터 아이콘 이미지
  • 분야문화관광
  • 유형 3D
구축년도 : 2022 갱신년월 : 2023-12 조회수 : 3,529 다운로드 : 48 용량 :
샘플 데이터 ?

샘플데이터는 데이터의 이해를 돕기 위해 별도로 가공하여 제공하는 정보로써 원본 데이터와 차이가 있을 수 있으며,
데이터에 따라서 민감한 정보는 일부 마스킹(*) 처리가 되어 있을 수 있습니다.

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.1 2023-12-27 데이터 최종 개방
    1.0 2023-07-31 데이터 개방(Beta Version)

    데이터 히스토리

    데이터 히스토리
    일자 변경내용 비고
    2023-12-27 산출물 전체 공개

    소개

    ㅇ 현실 공간의 골목길 내 객체를 학습하여 가상현실 속 객체를 탐지하기 위한 PCD

    구축목적

    ㅇ 정확하고 직관적인 PCD 기반 3D 데이터 구축
          - 3D 스캔 장비를 활용하여 국내 골목길의 PCD 데이터를 수집·정제·가공함으로써, 2D보다 직관적이고 활용도가 높은 골목길 데이터셋 구축
  • □ 데이터 구축 규모

    구분 포맷 내용 구축량(건)
    PCD las 골목길 공간 점군 데이터 2,100
    속성정보 json 데이터셋 정보, 카테고리 정보 등 2,100
    csv 좌표정보, 색상정보, Scalar field 등 2,100

     

    □ 테마별 분포

    항목 구축량(건) 비율(%)
    관광명소 689 33
    도보코스 261 12
    먹자거리 499 22
    문화거리 452 24
    체험마을 199 9
    합계 2100 100

     

    □ 클래스별 분포

    항목 구축량(건) 비율(%)
    조형물 1,024 3
    식생 9,809 27
    2,392 6
    건물 21,494 58
    도로 2,116 6
    합계 36,835 100

     

    □ 행정구역별 분포

    항목 구축량 구성비 (%)
    서울 340 16.2
    경기 399 19
    강원 157 7.5
    5대 광역시 476 22.6
    충청 160 7.6
    전라 186 8.9
    경상 178 8.5
    제주 204 9.7
    합계 2,100 100
  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 상세 설명서 다운로드 AI 모델 다운로드

    □ 모델 학습
     ㅇ 기존의 PointNet이나 GACnet, Point Transformer 등에서 사용된 Farthest Point Sampling(FPS) 알고리즘의 시간복잡도는 O(N²)인 반면 RandLA-Net알고리즘의 시간복잡도는 O(1)로 효율적
     ㅇ Dilated Residual Block은 Down-sampling을 통해 점들의 개수를 줄여주면, 각 점들에 대한 receptive field를 확장시켜서 feature vector를 통합하는 것으로 손실된 정보를 통합한 벡터로 묶어 표현한 것으로 over-fitting에 취약하지만 적절한 범위를 제한하여 사용하는 것으로 효율성을 향상

    RandLA-Net 모델 구조

    □ 유효성 검증 환경

    항목명 객체탐지 (한국 골목길 3D데이터)
    검증 방법 Docker image upload or evaluation 영상제출
    목적 공간내 객체 탐지
    지표 mIoU
    측정 산식 mIoU 측정 산식
    도커 이미지 docker hub, 26.7GB
    실행 파일명 run_pipeline.py
    유효성 검증 환경
    CPU Intel(R) Core(TM) i7-10700K CPU @ 3.80GHz
    Memory 64GB 이상
    GPU NVIDIA GeForce RTX 3060 이상
    Storage 2TB 이상
    OS Ubuntu 18.04 LTS
    유효성 검증 모델 학습 및 검증 조건
    개발 언어 Python 3.9
    프레임워크 CUDA 11.6, pytorch 1.12.0+cu116
    학습 알고리즘 [RandLA-net]
    Large-scale 3D point cloud 데이터를 온전하게 사용할 때 학습 및 추론 단계에서 병목 현상이 발생하지 않도록 random point sampling 기법을 도입하여 빠른 성능과 높은 정확도를 나타냄.
    학습 조건 epoch: 50
    batch: 4
    optimizer: adam
    파일 형식 • 학습 데이터셋: csv
    • 평가 데이터셋: csv
    전체 구축 데이터 대비 AI모델 사용 point cloud data 비율 및 수량 (공간데이터 기준)
    모델에 적용되는 비율 학습 : 검증 : 시험 = 8 : 1 : 1 = 1680 : 210 : 210
    모델 학습 과정별 공간의 point cloud data 분류 기준
    데이터 분류 및 비율 정보 - Training Set 비율 80% (1680 골목길)
    - validation Set 비율 10% (210 골목길)
    - Test Set 비율 10% (210 골목길)
    제한사항
     
  • 데이터 성능 점수

    측정값 (%)
    기준값 (%)

    데이터 성능 지표

    데이터 성능 지표
    번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수
    1 골목길 공간내의 객체 탐지 3D Object Detection RandLA-net mIoU 50 % 57.52 %

    ※ 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 포맷 파일 이름
    PCD las <테마>_<행정구역>_<골목길명>_<개소>_<파일순번>.las
    속성정보 json <테마>_<행정구역>_<골목길명>_<개소>_<파일순번>.json
    csv <테마>_<행정구역>_<골목길명>_<개소>_<파일순번>.csv
    <테마>_<행정구역>_<골목길명>_<개소>_<객체>.csv

     

    □ 데이터 구성

     

     ㅇ 카테고리 분류

    대분류(테마)
    문화거리 체험마을 먹자거리 관광명소 도보코스
    CU EX FO TO WA

     

    중분류(행정구역)
    서울특별시 경기도 강원도 5대광역시
    1 2 3 4
    충청도 전라도 경상도 제주
    5 6 7 8

     

    소분류(골목길명)
    골목길명에 따라 분류

     

    세분류(객체)
    조형물 식생 건물 도로
    S V W B R

     

     ㅇ 어노테이션 포맷

     

      - JSON

    구분 속성명 타입 필수여부 설명 범위 비고
    1 DataSet_info object   데이터셋 정보    
      1-1 DataSet_ID string Y 데이터셋 명    
    1-2 creator string Y 구축기관명    
    1-3 date_created string Y 데이터 생성일자    
    2 Object object   파일 링크정보    
      2-1 object_file string Y 링크 파일명    
    3 Scandata_info object   스캔데이터셋 정보    
      3-1 date_scan string Y 스캔 생성일자    
    3-2 equipment string Y 스캔 장비 명    
    4 categories object   카테고리 정보    
      4-1 region number Y 행정구역 구분정보 1-8 01 : 서울
    02 : 경기
    03 : 강원
    04 : 5대광역시
    05 : 충청
    06 : 전라
    07 : 경상
    08 : 제주
    4-2 theme string Y 테마별 정보   TO : 관광명소
    WA : 도보코스
    CU : 문화거리
    FO : 먹자거리
    EX : 체험마을
    5 segmentations object   어노테이션 정보    
      5-1 toPTSMtx number Y 세그멘테이션 좌표정보    
      5-2 toPTSMtxInverse number Y 세그멘테이션 좌표정보  
     

     

      - CSV

    구분 속성명 타입 필수여부 설명 범위 비고
    1 X number Y X축 좌표 정보    
    2 Y number Y Y축 좌표 정보    
    3 Z number Y Z축 좌표 정보    
    4 R number Y Red color value 0-255  
    5 G number Y Green color value 0-255  
    6 B number Y Blue color value 0-255  
    7 Scalar field number Y 스캔 데이터의 반사되는 빛의 세기 정보    
    8 Original cloud index number Y 병합 시 클라우드 인덱스 정보 0-5 0: null
    1: 건물(H)
    2: 도로(R)
    3: 조형물(S)
    4: 식생(V)
    5: 벽(W)
    9 Nx number N x축의 법선벡터 정보    
    10 Ny number N Y축의 법선벡터 정보    
    11 Nz number N Z축의 법선벡터 정보  
     

     

    □ 데이터 실제 예시

     

     ㅇ 라벨링데이터, CSV

    라벨링데이터 JSON데이터
    라벨링데이터 실제 예시 이미지 JSON데이터 실제 예시 이미지

     

     ㅇ CSV

    CSV 데이터 (csv, 공간에 대한 데이터) CSV파일
     
    속성명 Value 필수
    X 304.782 Y
    Y -6.128 Y
    Z 5.591 Y
    R 218 Y
    G 219 Y
    B 199 Y
    Scalar field -1966 Y
    Original cloud index 4 Y
    Nx -0.41172 N
    Ny -0.75291 N
    Nz 0.513425 N
     
    X Y Z R G B Scalar field Original cloud index Nx Ny Nz
    304.782 -6.128 5.591 218 219 199 -1966 4 -0.41172 -0.75291 0.513425
    304.788 -6.126 5.595 207 212 203 -1676 4 -0.37525 -0.76188 0.527952
    304.984 -6.004 5.246 216 215 232 -1611 4 -0.69604 0.052882 0.716051
    304.949 -6.254 5.341 207 218 234 -1982 4 -0.62831 0.601359 0.493552
    304.957 -6.257 5.355 212 213 234 -1998 4 -0.62831 0.601359 0.493552
    304.953 -6.253 5.347 212 214 234 -1676 4 -0.58537 0.612356 0.531383
  • 데이터셋 구축 담당자

    수행기관(주관) : ㈜디타스
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    박준영 02-6283-0157 stream90@dtaas.co.kr 사업 총괄, 데이터 설계, 데이터 수집, 데이터 정제, 데이터 가공, 데이터 검사, 저작도구 개발, AI모델 개발, 데이터 활용
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    ㈜엔가드 데이터 수집, 데이터 정제
    ㈜리모샷 데이터
    지엔소프트㈜ 데이터 정제
    ㈜포디비전 데이터 수집
    공주대학교 산학협력단 데이터 수집, 데이터 정제, 데이터 검사
    동아대학교 산학협력단 데이터 수집
    제주관광대학교 산학협력단 데이터 수집
    (사)한국지식서비스연구원 데이터 활용
    ㈜지혜와비전 데이터 수집
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    박준영 02-6283-0157 stream90@dtaas.co.kr
보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청
  • 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

    1. AI 허브 접속
      신청자
    2. 안심존
      사용신청
      신청자신청서류 제출*
    3. 심사구축기관
    4. 승인구축기관
    5. 데이터 분석 활용신청자
    6. 분석모델반출신청자
  • 1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
    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.