主要有包含建筑物的数据集
欢迎补充和交流！！！
数据集：
1. 点云分类(罗蒙诺索夫莫斯科国立大学)
Legend: red — ground, black — building, navy — car, green — tree, cyan — low-vegetation.
链接：点云分类
2. Semantic3D
大规模点云分类基准，它提供了一个带有大标签的自然场景的3D点云数据集，总计超过40亿个点，并且还涵盖了多种多样的城市场景。
8个类别标签的分类基准，即 1：人造地形； 2：自然地形； 3：高植被； 4：低植被； 5：建筑物； 6：硬景观； 7：扫描人工制品，8：汽车 。附加标签 0：未标记点，标记没有地面真值的点
链接：Semantic3D
3. Robotic 3D Scan Repository
包含大量的Riegl和Velodyne雷达数据,可能更适合slam研究
Authors Johannes Schauer, Andreas Nüchter from the University of Würzburg, Germany
Date 2016-10-27
Location Würzburg marketplace (geo:49.79445,9.92928)
Scanner Riegl VZ-400
#scans 6
#points 86585411
Datatype X,Y,Z (lefthanded) and reflectance in uosr format
Download wue_city.tar.xz
MD5 9b38cad10038ee4f3abbdd7b8431fa27
Filesize 1187 MiB (5117 MiB unpacked)
README README.wue_city
链接： Robotic 3D Scan Repository
4. KITTI愿景基准套件
这个数据集来自德国卡尔斯鲁厄理工学院的一个项目，其中包含了利用KIT的无人车平台采集的大量城市环境的点云数据集（KITTI），这个数据集不仅有雷达、图像、GPS、INS的数据，而且有经过人工标记的分割跟踪结果，可以用来客观的评价大范围三维建模和精细分类的效果和性能。
3D对象检测基准由7481个训练图像和7518个测试图像以及相应的点云组成，包括总共80.256个带标签的对象，单声道和立体相机数据,包括校准、测程法等等。
链接： The KITTI Vision Benchmark Suite
5. Beyond PASCAL: A Benchmark for 3D Object Detection in the Wild
PASCAL3D +数据集，它是用于3D对象检测和姿态估计的新颖且具有挑战性的数据集。 PASCAL3D +通过3D注释增强了PASCAL VOC 2012 [12]的12个刚性类别。此外，从ImageNet 为每个类别添加了更多图像。与现有的3D数据集相比，PASCAL3D +图像具有更大的可变性，并且每个类别平均有3,000多个对象实例。该数据集将为研究3D检测和姿态估计提供丰富的测试平台，并将有助于显着推动这一领域的研究。在新的数据集上提供了DPM 的变化结果，用于在不同情况下进行对象检测和视点估计。
物体检测和姿态估计的基准（10个类别，每个类别有10个对象实例）
链接： A Benchmark for 3D Object Detection in the Wild
6. Oakland 3-D Point Cloud Dataset（奥克兰 ）
这个数据库的采集地点是在美国卡耐基梅隆大学周围，数据采集使用Navlab11，配备侧视SICK LMS激光扫描仪，用于推扫。 其中包含了完整数据集、测试集、训练集和验证集。
链接：Oakland 3-D Point Cloud Dataset
- Generic 3D Representation via Pose Estimation and Matching
该数据集涵盖纽约，芝加哥，华盛顿，拉斯维加斯，佛罗伦萨，阿姆斯特丹，旧金山和巴黎的市中心和周边地区。包含这些城市的3D模型以及街景图像和元数据，这些模型已进行地理注册并手动生成。
链接： Generic 3D Representation via Pose Estimation and Matching
8.武大遥感数据
WHU-RS19 Dataset 是一个遥感影像数据集，其包含 19 个类别的场景影像共计 1005 张，其中每个类别有 50 张。WHU-RS19是从谷歌卫星影像上获取19类遥感影像，可用于场景分类和检索。
该数据集由武汉大学于 2011 年发布，相关论文有《Satellite Image Classification via Two-layer Sparse Coding with Biased Image Representation》。
建议的基准数据集包括 115 次扫描，共收集了 17.4 亿多个 3D 点，这些点来自 11 个不同的环境（即地铁站、高速铁路站台、山区、森林、公园、校园、住宅、河岸、文物建筑、地下挖掘和隧道），这里仅取文物与住宅点云。
链接： csdn会员下载（我没下载，不知可用否）
暂无有效链接，需要可向武大申请使用
9 . DOTA数据集
数据集是遥感图像，DOTA1.5是在DOTA基础上扩增的数据集
DOTA数据集包含2806张航空图像，尺寸大约为4kx4k，包含15个类别共计188282个实例。其标注方式为四点确定的任意形状和方向的四边形（区别于传统的对边平行bbox）
标注格式：
在数据集中，每个实例的位置由四边形边界框注释，可以表示为“x 1，y 1，x 2，y 2，x 3，y 3，x 4，y 4”，其中（xi，yi）表示图像中定向边界框顶点的位置。顶点按顺时针顺序排列。 以下是采用的注释方法的可视化。黄点代表起点。 它指的是：（a）飞机的左上角，（b）大型车辆钻石的左上角，（c）扇形棒球的中心。
链接：遥感图像数据集DOTA1.5 百度云链接
10. DIOR
“DIOR”是一个用于光学遥感图像目标检测的大规模基准数据集。数据集包含23463个图像和192472个实例，涵盖20个对象类。这20个对象类是飞机、机场、棒球场、篮球场、桥梁、烟囱、水坝、高速公路服务区、高速公路收费站、港口、高尔夫球场、地面田径场、天桥、船舶、体育场、储罐、网球场、火车站、车辆和风磨。
链接：DIOR
11.LEVIR
LEVIR数据集由大量 800 × 600 像素和0.2m〜1.0m /像素的高分辨率Google Earth图像和超过22k的图像组成。LEVIR数据集涵盖了人类居住环境的大多数类型地面特征，例如城市，乡村，山区和海洋。数据集中未考虑冰川，沙漠和戈壁等极端陆地环境。数据集中有3种目标类型：飞机，轮船（包括近海轮船和向海轮船）和油罐。所有图像总共标记了11k个独立边界框，包括4,724架飞机，3,025艘船和3,279个油罐。每个图像的平均目标数量为0.5。
链接：LEVIR
12. NWPU VHR-10
西北工业大学标注的航天遥感目标检测数据集，共有800张图像，其中包含目标的650张，背景图像150张，目标包括：飞机、舰船、油罐、棒球场、网球场、篮球场、田径场、港口、桥梁、车辆10个类别。开放下载，大概73M.
链接：NWPU VHR-10
13. INRIA aerial image dataset
Inria是法国国家信息与自动化研究所简称，该机构拥有大量数据库，其中此数据库是一个城市建筑物检测的数据库，标记只有building, not building两种，且是像素级别，用于语义分割。训练集和数据集采集自不同的城市遥感图像。
14. 悉尼城市建筑
这个数据集包含用Velodyne HDL-64E LIDAR扫描的各种常见城市道路对象，收集于澳大利亚悉尼CBD。含有631个单独的扫描物体，包括车辆、行人、广告标志和树木等。可以用来测试匹配和分类算法。
Sydney Urban Objects Dataset 下面是数据格式:
链接：Sydney Urban Objects Dataset