为了更好地评估拥挤场景下的行人感知算法，我们引入了一个大规模多模态数据集 STCrowd，并提出了一种新的方法 DHA 来增强拥挤场景中的行人感知。实验表明，我们的方法在各种数据集上均取得了最先进的性能。

Apr, 2022

提供一种新的 A9 交叉口数据集，其中包含来自两个道路侧摄像头和交叉口桥架上安装的 LiDAR 的同步输出的点云数据，并提供了所有传感器之间的校准数据，可以将三维标签投影到图像中并实现准确的数据融合。该数据集包含 4.8k 个图像和 57.4k 个手动标记的 3D 框，包括 10 个不同的物体类别，并支持复杂的 3D 相机 - LiDAR 路侧感知任务。

Jun, 2023

我们设计了一个便携的数据采集系统，结合了自主标注流水线，通过一个标签修正的网络应用来实现对自动行人跟踪结果的人工验证，在多个环境下实现大规模数据采集和快速轨迹标签生产。与现有行人数据采集方法相比，我们的系统具备了自上而下和自我中心视图的组合、在社交适宜的 “机器人” 情境下的自然人类行为以及基于度量空间的经过人工验证的标签，是第一个同时集成这三个组成部分的数据采集系统。我们进一步介绍了我们正在进行的数据采集工作的不断扩展的数据集 ——TBD 行人数据集，并展示了与具有人工验证标签的先前数据集相比我们采集的数据更大规模、包含更丰富信息，并支持新的研究机会。

Sep, 2023

该研究介绍了 Motion-X 数据集及其构建方法，包含全身运动数据、姿态描述、语义标注等，采用高精度、低成本、可扩展的自动化流程进行数据标注，旨在提高生成自然、多样、表达丰富的运动以及进行 3D 人体网格恢复的能力。

Jul, 2023

该研究提出一种基于单目 RGB 图像的三维车辆检测方法，为此创建了 Cityscapes 3D 数据集，包含了所有类型车辆的三维标注信息，使得与基于 lidar 的方法相比具有更高效率和更大范围的标注信息。此外，研究将 2D 实例分割与 3D 包围盒成对提供，以便多任务学习。这对自动驾驶技术有着很重要的意义。

Jun, 2020

提出了一个基于多任务学习的框架来识别行人穿越行为并预测其未来轨迹，利用从原始传感器数据提取出来的人体关键点来捕捉丰富的人体姿态和活动信息，同时引入辅助任务和对比学习以提高所学习人体关键点表达式的性能表现。在大规模内部数据集和公共基准数据集上进行验证，证明了该方法在多种评估指标上实现了最先进的性能。

Jun, 2023

介绍了一份用于自动驾驶的行人模式数据集，其中包含了行人和车辆的 Full HD 视频和 GPS 数据，通过对采集的视频进行快速 R-CNN 行人检测，可得出每个时间段内人流密度估计，以便于评估不同路径下的人流风险。

Jan, 2020

提出了一种多相机 3D 行人检测方法，该方法不需要使用目标场景的数据进行训练，通过基于人体姿势和来自现成单目检测器的人物包围框的新启发式方法在地面平面上估计行人位置，然后将这些位置投影到世界地面平面，并用新的团覆盖问题公式进行融合，同时还提出利用域通用的行人再识别模型在融合期间对行人外貌的选择性步骤，评估表明，在具有挑战性的 WILDTRACK 数据集上，所提出的方法获得了 0.569 的 MODA 和 0.78 的 F 分数，优于现有的最先进的通用检测技术。

Apr, 2021

该文介绍了一个视频数据集，包含了人群的详细分类信息和关节点标注，被用于训练和测试人群的精细分类、追踪、检测和姿态估计算法。

May, 2016

介绍了一个名为 PDI 的任务，以评估指定去身份识别方法的去身份化程度和下游任务训练绩效，提出了基于生成对抗网络的全身去身份化方法，展示了该方法对乘客识别、探测和跟踪模型的应用及其可行性

Jun, 2023