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

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

该研究提供了针对 CompCars 监控数据的细粒度分类的初步实验结果，同时提供了更新后的数据集的训练 / 测试拆分，详见第 6 节。

Jun, 2015

为了推动道路安全、交通监控、监视和物流自动化的最新技术，我们引入了全球车牌数据集（GLPD）。该数据集由超过 500 万张图像组成，包括来自 74 个国家的多样化样本，并具有精细的注释，包括车牌字符、车牌分割掩码、车牌角点以及车辆的制造商、颜色和型号。此外，我们还提供了更多类别的标注数据，如行人、车辆、道路等。我们还包括了数据集的统计分析，并提供了高效准确的基准模型。GLPD 旨在成为车牌识别模型开发和微调的主要基准数据集。

Mar, 2024

本文介绍了一种适用于自动驾驶研究的大规模 3D 汽车数据库，并提出了使用深度学习算法进行图像分割和车辆姿态与形状估计的方法，并使用关键点进一步优化模型性能。

Nov, 2018

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

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

本研究提出了一个自动化的框架，由三个步骤组成：车型识别、车牌定位和阅读。我们使用深度学习算法，在新采集的多样化车型和车牌数据集上进行训练， 最终在车型识别、车牌定位和阅读三个任务中，YOLOv4 算法获得了最佳表现，同时我们也发布了我们的数据集和训练代码。

Feb, 2022

提出一种半自动化的方法，利用估计的 3D 道路平面投影所有图像序列中的标签，以实现图像序列的高效标注，平均每张图像的标注时间缩短到了 5 秒，无需使用昂贵的传感器设备，同时发布了一个包含 24,000 张图像的数据集并展示了实验结果。

Jul, 2018

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