本文介绍了ApolloScape数据集及其应用于自动驾驶的算法，数据集包含丰富的标签和各个任务的工具和算法，使用多传感器融合以及多任务联合学习的方法，能够实现鲁棒自主定位和语义分割。

Mar, 2018

本文提出了一种新的旨在针对非结构化驾驶环境的 IDD 数据集，其中包括来自印度道路的 10,004 幅图像，涵盖了 34 个类别的精细注释，建议使用四级标签层次结构以适应不同训练方法，而现有的语义分割方法在 IDD 数据集上的准确度表现不佳。

Nov, 2018

我们提出了D$^2$-City，这是滴滴平台上车辆收集的大规模综合的行车记录仪视频的收集，包含超过10000个视频片段，提供了12种对象类别的边界框和跟踪注释，并在其余视频的关键帧上提供检测注释，预计该数据集将推动智能驾驶感知和相关领域的发展。

Apr, 2019

该研究介绍了一种新的大规模、高质量、多样化的自动驾驶数据集，其中包含了各种城市和郊区地理环境中的1150个场景，数据标注为2D和3D框，而2D和3D检测和跟踪任务的基线也得到了提供。

Dec, 2019

介绍了语义视频数据集 Highway Driving dataset 和基于时间相关性的基线算法，提高了实时应用的语义分割效果。

Nov, 2020

本文介绍了基于ONCE(One millioN sCenEs)数据集的3D物体检测，该数据集包含1百万个激光雷达场景和7百万对应的相机图像，以及对使用自我监督和半监督方法的基准测试和性能分析。

Jun, 2021

通过引入道路区域分割数据集（R2S100K），本研究提出了一种以结构不良的道路为特点的大规模数据集和评估基准来训练和评估道路分割，以提高自主驾驶的安全性和普适性。通过使用半监督学习方法，可以利用这些未标记的图像数据，结合快速高效的数据采样（EDS）自训练框架，进一步提高模型的学习效果，减少语义分割任务的标记成本。

Aug, 2023

自动驾驶发展迅速，硬件和深度学习方法的新进展表现出了良好的性能，高质量的数据集对于开发可靠的自动驾驶算法至关重要。本研究全面调查了200多个自动驾驶数据集的多个方面，并引入了一种新的评估指标来评估每个数据集的影响，为建立新的数据集提供了指导。此外，还分析了数据集的注释过程和质量，并对几个重要数据集的数据分布进行了深入分析。最后，讨论了未来自动驾驶数据集的发展趋势。

Jan, 2024

公路场景理解在自动驾驶中至关重要，使机器能够感知视觉环境。本文介绍了RSUD20K数据集，它由来自孟加拉国道路的超过20K张高分辨率图像组成，包含13种物体的130K个边界框注释。我们的工作在以往努力的基础上显著改进，提供了详细的注释和更复杂的物体。我们对数据集进行了全面的研究，对各种最先进的目标检测器进行了基准测试，并探索了大型视觉模型作为图像注释器。

Jan, 2024

本研究针对自主驾驶训练中缺乏多样化数据集的问题，提出了GenDDS方法，利用先进的潜在扩散模型Stable Diffusion XL生成真实且多样的驾驶场景。通过与KITTI数据集结合，我们的模型成功生成与真实世界驾驶场景相似的高质量视频，为自主驾驶系统的训练数据发展提供了新的解决方案。

Aug, 2024