Aug, 2023

R2S100K：用于半监督自主驾驶的道路区域分割数据集

PDF
TL;DR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。
semantic understandingautonomous drivingroad segmentationunstructured roadwaysdataset
发现论文，激发创造
  • 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

  • RSRD：安全舒适自动驾驶的道路表面重建数据集和基准

    通过对道路表面的重建，提高自主车辆的分析和预测能力，本研究介绍了道路表面重建数据集（RSRD），并构建了一个综合性基准用于恢复道路剖面的深度估计和立体匹配任务。初步评估结果显示我们的数据集的有效性，并强调了 RSRD 作为推动安全自动驾驶等技术的有价值资源。

    Oct, 2023

  • 城市环境下车道实例分割数据集

    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

  • 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

    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。

    Jun, 2021

  • 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

  • 用于语义视频分割的高速公路行驶数据集

    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

  • 无监督高分辨率无人机影像的道路场景解析

    通过使用最新的视觉语言模型和基本的计算机视觉模型，本研究介绍了一种无监督道路解析框架，用于处理超高分辨率的无人机图像，并且无需任何手动标注即可在开发数据集上达到 89.96％的 mIoU。

    Feb, 2024

  • 无限道路场景合成标注（URSA）数据集

    通过使用基于视频游戏引擎的人工注释技术，产生了包含 100 万张图像的高质量路景数据集，从而大幅提升了语义分割网络的训练效率。

    Jul, 2018

  • 大规模弱监督学习用于卫星图像中的道路提取

    使用深度学习从卫星图像中自动提取道路是传统手动制图的可行替代方案，本文提出了利用 OpenStreetMap 道路数据作为弱标签和大规模卫星图像进行预训练语义分割模型的方法，并且利用大规模预训练使模型具有更好的泛化能力。

    Sep, 2023

  • RCooper: 适用于路边合作感知的真实世界大规模数据集

    道路边缘感知越来越受到重视，通过道路合作感知可以实现对交通区域的全面了解；然而，现有的道路边缘感知方法只关注单一基础设施传感器系统，无法覆盖交通区域的全面感知，因此需要道路合作感知来实现对受限交通区域的实际感知。本研究提供了第一个真实世界的大规模道路合作感知数据集，包括检测和跟踪，证明了道路合作感知的有效性，并展示了进一步研究的方向。

    Mar, 2024