Apr, 2019

D$^2$-City: 一个大规模的行车记录仪视频数据集，包含多种交通场景

PDF
TL;DR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。
driving datasetsintelligent drivingcomputer vision technologiesannotationsd$^2$-city
发现论文，激发创造
  • 面向汽车的大规模基于事件的检测数据集

    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

  • DualCam: 一种新的用于细粒度实时交通信号灯检测的基准数据集

    该研究提出了一种新颖的基准交通灯数据集，包括用于训练和测试的图像和视频，还提出了一种使用双摄像头输出的后处理算法，可以在速度和准确性之间取得平衡，以便自动驾驶汽车可以安全地在城市和半城市道路上导航。

    Sep, 2022

  • Cityscapes 3D: 面向 9 自由度车辆检测的数据集和基准

    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

  • 大数据和深度学习在智慧城市中的应用：面向 AI 驱动的交通事故检测和计算机视觉系统的综合数据集

    本研究关注应用先进的技术方法提高交通事故的检测，通过引入一种创新的综合数据集来增强智能城市中的计算机视觉和动作识别系统，旨在填补现有研究的空白，提供用于交通事故检测的基准数据集，以推动学术研究并提升实时事故检测应用，从而实现更安全、更高效的智能城市环境的发展。

    Jan, 2024

  • CityFlow：针对多目标多摄像头车辆跟踪和再识别的城市规模基准测试

    本文介绍了 CityFlow 数据集，它是一个城市级交通相机数据集，包括来自 40 个摄像头的 3 个多小时的高清视频，涵盖 10 个路口，最大距离为 2.5 公里，共包含超过 200K 个标注边界框。这个数据集为 MTMC 跟踪，MTSC 跟踪，物体检测和基于图像的车辆再识别等领域提供了前所未有的较大规模的数据支持，以促进该领域的研究。

    Mar, 2019

  • Interstate-24 3D 数据集：一个新的用于 3D 多摄像头车辆跟踪的基准测试

    本论文介绍了一个新颖的视频数据集，该数据集来自城市高速公路上相互交叠的交通摄像头，可在交通监控环境中进行多摄像头 3D 物体跟踪。该数据集包含来自至少 16 个摄像头的 3 个场景的视频，总长度为 57 分钟。为每个摄像头视野完全准确地注释了 87,700 个 3D 边界框和相应的物体轨迹，并将其组合成每个场景的空间和时间连续的车辆轨迹。最后，使用现有算法对数据集进行了多个 3D 多摄像头跟踪管道的基准测试，结果表明该数据集具有挑战性，因为在交通拥堵期间，对象的高速移动和严重遮挡可能持续数百帧之久。本研究旨在促进准确和自动的车辆轨迹提取算法的发展，这将在理解自动驾驶车辆技术对交通安全和效率的影响方面发挥重要作用。

    Aug, 2023

  • IDD: 用于在开放环境下探索自主导航问题的数据集

    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

  • IDD-X：用于密集和非结构化交通中自我相关重要物体定位和解释的多视图数据集

    智能车辆系统需要深入了解道路状况、周围实体和自我驾驶行为之间的相互作用，以实现安全高效的导航，而在发展中国家，交通情况往往密集且无序，道路使用者也异质性强。现有数据集主要针对结构化和稀疏的交通场景，未能捕捉到在这种环境中驾驶的复杂性。为了填补这一空白，我们提出了一个大规模的双视角驾驶视频数据集 IDD-X。通过提供 697K 个边界框、9K 个重要对象轨迹和每个视频 1-12 个对象，IDD-X 为多个重要道路对象提供了综合的自我驾驶相关注释，覆盖了 10 个类别和 19 个解释标签类别。该数据集还结合倒车影像信息，以提供对驾驶环境更全面的表征。我们还引入了专为多个重要对象定位和每个对象解释预测而设计的深度网络。总体而言，我们的数据集和推出的预测模型为研究道路状况和周围实体如何影响复杂交通情况下的驾驶行为奠定了基础。

    Apr, 2024

  • DAIR-V2X: 用于车路协作三维物体检测的大规模数据集

    发布了第一个用于车路协同自动驾驶的真实场景多模态多视角数据集 DAIR-V2X，其中包括 71254 帧 LiDAR 和摄像头帧，是解决车路协同 3D 物体检测问题的一个基准，并提出了延迟融合框架 TCLF。

    Apr, 2022

  • 城市景观语义理解数据集

    为解决现有数据集不能很好地捕捉真实城市场景的复杂性，我们引入了 Cityscapes—— 一个基准套件和大规模数据集，用于像素级和实例级语义标注的方法的训练和测试。

    Apr, 2016