使用多个摄像头和数据驱动的深度学习方法，能够更准确地测量车辆的速度，相比于基于单一摄像头的方法，该方案是更具前途的。

Jun, 2022

通过使用声学交通监测，对城市人口的快速增长造成的交通问题进行监控和管理，本研究开发了声学交通监测和车辆类型分类算法的两个开放数据集 MVD 和 MVDA，并提供了一种有效的方法来利用倒谱和谱的本地和全局音频特征以及多输入神经网络来准确分类这些声学信号，实验结果表明，我们的方法提高了前人工作的基线，对 MVD 和 MVDA 数据集的准确率分别达到 91.98% 和 96.66%，最后，我们通过一个 Android 应用程序部署该模型，以方便测试和展示其有效性。

Sep, 2023

介绍了第一个用于真实场景交通异常检测的音频 - 视觉数据集 MAVAD，并提出了一种名为 AVACA 的新方法，它通过交叉注意提取视频序列中的视觉和音频特征来检测异常。演示了音频的加入将 AVACA 方法提高了 5.2％的性能，并评估了图像匿名化的影响，结果表明此影响仅对性能平均下降 1.7％。

May, 2023

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

该研究提出了第一个大规模的多模态数据集，用于研究毫米波车到车通信。数据集包括来自 360 度摄像机、四个雷达、四个 60 GHz 相控阵、一个 3D 激光雷达和两个精确 GPS 的两车试验台的数据。该数据集涵盖了日间和夜间的城际和乡村地区，行驶距离 120 公里，速度高达 100 公里 / 小时。数据集包含了超过一百万个物体的检测结果，从卡车到自行车都有。该研究还提供了详细的数据集统计信息，证明了各种情况的覆盖情况，并强调了该数据集如何支持新颖的机器学习应用。

Jun, 2024

该论文提供了一个自动实时车辆速度计算的新框架，该框架能够处理多样化的公开交通摄像头数据以实现更好的稳健性，通过深度图预测技术估计路段长度，同时处理实际条件如摄像头移动和不同视频流输入，与其他模型相比，虽然在预测性能方面没有创立新的最佳结果，但在实际闭路电视视频方面是具有竞争力的，同时它的端到端管道提供了更一致的结果、更容易的实现和更好的兼容性，其模块化结构便于重现性和未来的改进。

Sep, 2023

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

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

本文提出了第一个大规模的开放式模拟数据集，其中包含超过 70 个有趣的场景，11464 帧和 232913 标注的三维车辆边界框，以及一个用于评估多种信息融合策略的综合基准测试。同时，作者还提议了一种新的注意力中间融合管道，以聚合来自多个连接车辆的信息，证明该管道即使在大压缩率下也能实现优秀的性能。

Sep, 2021

本文介绍了迄今为止最大的自动驾驶运动预测数据集，其中包括来自 20 辆自动驾驶车辆在 Palo Alto, California 沿固定路线收集的超过 1000 小时的数据，可帮助提高自动驾驶领域的性能。

Jun, 2020