SODA10M: 一个用于自动驾驶的大规模 2D 自 / 半监督目标检测数据集

Jun, 2021

SODA10M: 一个用于自动驾驶的大规模 2D 自 / 半监督目标检测数据集

SODA10M: A Large-Scale 2D Self/Semi-Supervised Object Detection Dataset for Autonomous Driving

Jianhua Han, Xiwen Liang, Hang Xu, Kai Chen, Lanqing Hong...

TL;DR本研究提出了一个名为 SODA10M 的大规模数据集，包含 1000 万张未标注图像和 2 万张标注有 6 种代表性对象类别的图像，用于标准化不同自监督和半监督学习方法的评估，是迄今为止第一个最大的数据集。该数据集为自动驾驶系统的目标检测提供了优秀的无监督预训练数据源，显示出在自动驾驶领域的不错性能。

Abstract

Aiming at facilitating a real-world, ever-evolving and scalable autonomous driving system, we present a large-scale dataset for standardizing the evaluation of different self-supervised and semi-supervised approaches by learning from raw data, which is the first and largest dataset to

autonomous driving self-supervised learning semi-supervised learning object detection large-scale dataset

发现论文，激发创造

自动驾驶一百万场景: ONCE 数据集

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

自动驾驶中感知的可扩展性：Waymo 开放数据集

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

RSUD20K: 自动驾驶中的道路场景理解数据集

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

R2S100K：用于半监督自主驾驶的道路区域分割数据集

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

基于基准数据集和显著性引导的堆叠自编码器的基于视频的显著性目标检测

本文提出了一个由人眼注视数据和手工标注的对象 8.1W 张图构成的视频显著对象检测数据集，并提出了一个基于自动编码器的无监督方法，利用该数据集证实了该方法具有很好的效果。

Nov, 2016

CODA：自动驾驶中目标检测真实路口数据集

该研究旨在解决传统自动驾驶中常见的物体识别偏差的问题，提出了一个具有挑战性的 CODA 数据集，以检测标准物体检测器的性能下降，为研究可靠的真实世界自动驾驶提供帮助。

Mar, 2022

合作监督的力量：增强的三维半监督目标检测的多教师框架

为了确保自主驾驶平台的安全行驶，除了开发高性能的物体检测技术外，还需要建立一个反映各种城市环境和物体特征的多样化和代表性的数据集。为了解决这两个问题，我们构建了一个多类别的 3D LiDAR 数据集，反映了多样化的城市环境和物体特征，并开发了基于多个教师框架的强大的 3D 半监督目标检测器。我们提出了一种简单而有效的增强技术，基于饼状点补偿（PieAug）的增强，以使教师网络生成高质量的伪标签。对 WOD、KITTI 和我们的数据集进行的大量实验验证了我们提出的方法的有效性和数据集的质量。实验结果表明，我们的方法始终优于现有的最先进的 3D 半监督目标检测方法。我们计划在不久的将来在我们的 Github 存储库上发布我们的多类别 LiDAR 数据集和源代码。

May, 2024

Zenseact 开放数据集：一种用于自动驾驶的大规模和多样化的多模态数据集

Zenseact Open Dataset (ZOD) 是一种大规模且多样化的自动驾驶数据集，采集了两年时间在欧洲各地的数据，涵盖了比现有数据集多 9 倍的区域，并支持长距离感知和多任务学习。该数据集是通过各种帧、序列和驱动器收集的，为传感器融合、本地化和建图提供了支持。

May, 2023

基于密集学习的半监督目标检测

本研究提出了一种基于 DenSe Learning 的锚点自由的半监督目标检测算法，其中包含自适应过滤策略、聚合型教师以及跨尺度不确定性一致性正则化等多种新技术，与 MS-COCO 和 PASCAL-VOC 等数据集上得到的实验结果表明，该方法在半监督目标检测性能上取得了新的最优结果。

Apr, 2022

SelfD: 从网络数据中自学习的大规模驾驶策略

介绍了 SelfD，一个利用海量在线图片的可扩展驾驶学习框架，使用半监督训练来从未标记数据中学习后效代理。通过利用伪标记步骤进行数据增强，SelfD 表现出可靠的驾驶性能，无需额外的数据收集或注释工作。

Apr, 2022