面向细粒度分类和验证的大规模汽车数据集
该论文提出了一个包含 84162 个图像的大规模和细粒度的汽车数据集,用于检测 12 种不同类型的汽车零部件。为了减轻手动注释的负担,提出了一种新颖的半监督自动标注方法,并研究了零样本标注的 Grounding DINO 方法的局限性。最后,通过训练几个轻量级的 YOLO 系列检测器,评估了所提出的数据集的有效性。
Nov, 2023
本文提出了一个从不同的网络来源和格式创建综合汽车数据集的多学科计划,其中包括来自英国市场十多年内 899 辆汽车型号的 1.4 百万张图片,以及相应的车型规格和销售信息。这项工作对汽车行业的研究和应用,大数据的创建和共享,数据库设计和数据融合做出了重要贡献,并且可以在商业研究和应用中使用。
Aug, 2021
本文利用计算机视觉技术从 Google 街景图像中的车辆数量预测美国城市的收入、碳排放、犯罪率等城市属性,并探讨城市中车辆与人口属性之间的关系,以实现对城市的大规模社会学分析。
Sep, 2017
本研究介绍了用于事件相机的第一个非常大的检测数据集,包含超过 39 小时的汽车记录,涵盖城市,高速公路,郊区和乡村场景等多个不同的驾驶场景和各种天气和照明条件。该数据集的可用性将有助于事件感知视觉任务的主要进步,例如目标检测和分类,并期望在自监督学习方法等其他任务中获得好处。
Jan, 2020
本研究提出一种自动化设计数据归档的方案,介绍了一个由汽车设计师定义的汽车外观设计特征数据集 GP22,并使用 YOLO v5 作为设计特征检测模型进行基线模型训练以及性能测试,结果表明该数据集可在设计领域中应用。
Jul, 2022
本文介绍了一个名为 ResCeption 的神经网络,结合了残差学习和 Inception-style 层,用于对一张图片进行车辆的分类和检测,同时也可以进行快速准确的车辆计数,此方法不需要额外的设置或假设对象位置,而且容易实施。
Sep, 2016
本文提出了一种基于三维包围盒的车辆细粒度识别方法,不局限于特定视角,通过 CNN 网络的训练与改进,较之其他算法提高了 12% 的识别准确率。
Mar, 2017
该研究提出了 FoodX-251 数据集,包含 251 个细分食品类别和 158,000 张图片,可用于评估计算机视觉模型以识别不同食品之间的视觉相似性。我们为 40,000 张图像提供了经过人工验证的标签,用作验证和测试。这个数据集已经被用于组织 Fine-Grained Visual Categorization 工作坊中的 iFood-2019 挑战,并可供下载。
Jul, 2019
我们提出了第一个大规模的 3D 真实汽车数据集,名为 3DRealCar,具有高容量、高质量和高多样性的特点,以及可用于改进与汽车相关的各种 2D 和 3D 任务的潜力。
Jun, 2024