Dec, 2023

SkyScenes: 用于航空场景理解的合成数据集

PDF
TL;DR使用从无人机 (UAV) 角度捕获的繁密注释的航拍图像，我们创建了一个综合性的合成数据集 SkyScenes，以全面展示在不同布局（城市和农村地图）、天气条件、时间、俯仰角和海拔高度上的多样性，具有相应的语义、实例和深度注释。通过我们在 SkyScenes 数据集上的实验，我们证明：（1）在 SkyScenes 上训练的模型对不同的实际情境具有很好的泛化性能，（2）将真实图像的训练与 SkyScenes 数据相结合可以提高实际表现，（3）SkyScenes 的可控变化可以揭示模型对视点条件变化的响应方式，（4）引入额外的传感器模态（深度）可提高航拍场景理解能力。
aerial scene understandingdatasetsdensely annotated imagessynthetic datasetunmanned aerial vehicle (uav)
发现论文，激发创造
  • SynDrone – 城市场景下多模态无人机数据集

    为了解决现有数据集图片数量有限的问题，本文提出了一个包含图像和三维数据的多模态综合数据集，该数据集包含 28 类的像素级标注，并可用于深度网络架构的有效训练，结果表明其在合成数据和实际数据的适应方面具有良好的前景。

    Aug, 2023

  • SkyScapes -- 空中场景的细粒度语义理解

    介绍了一个名为 SkyScapes 的空中图像数据集，利用该数据集进行密集语义分割和多任务预测，并提出了一种新的多任务模型，相较于基准模型在目标区域轮廓和细节级别方面取得了显著的改进。

    Jul, 2020

  • UAV-Sim: 基于 NeRF 的无人机感知的合成数据生成

    利用神经渲染的最新进展来改善从高空获取显著场景属性的静态和动态无人机图像合成，并且证明了将最先进的检测模型优化于真实和合成数据的混合数据集上，相比于仅使用真实或合成数据，可以达到显著的性能提升。

    Oct, 2023

  • TRoVE：将道路场景数据集转换成逼真的虚拟环境

    本研究提出了一种用已有数据集进行数据注释以生成多模态数据的方法，以优化智能车辆系统中的数据模拟，实现高保真模拟并增加样本多样性并成功改善了语义分割的实验效果。

    Aug, 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

  • AU-AIR：低空交通监控多模式无人机数据集

    本文提出了一种多用途的多模态传感器航空数据集（AU-AIR）, 旨在弥合计算机视觉和机器人学之间的差距，并通过多种类型的记录数据进行真实环境的移动物体检测训练和测试，包括自带计算机的无人机。

    Jan, 2020

  • nuScenes：自动驾驶的多模态数据集

    本文介绍了 nuTonomy 场景数据集，其中包含了自动驾驶车辆所有的传感器：6 个相机，5 个雷达和 1 个激光雷达，每个场景长达 20 秒，并标注了 23 个类别和 8 个属性的三维边界框。同时，定义了新的 3D 检测和跟踪指标，并提供了激光雷达和基于图像的检测和跟踪的基线。

    Mar, 2019

  • UAVid: 一份用于无人机图像语义分割的数据集

    介绍并推广了 UAVid 数据集，即用于语义分割的无人机高分辨率影像数据集。该数据集采用斜视图拍摄，结合侧视和俯视角度，可为对象的识别提供更多信息，并提供了几种深度学习基线方法，其中提出的多尺度扩张网络效果最好。

    Oct, 2018

  • Synscapes：用于街景解析的照片级合成数据集

    使用逼真的渲染技术创建的 Synscapes 合成数据集在街景分割的训练和验证方面展示了最先进的结果，并研究了网络在合成数据上推断时的行为，并分析了现有分割和检测模型，为计算机视觉系统的分析提供了细微的信息。

    Oct, 2018

  • 使用合成数据理解现实世界室内场景的 SceneNet

    本文研究场景理解问题，通过使用计算机图形学生成合成 3D 场景，以解决手动收集大量数据问题，从而避免了收集数据的麻烦和昂贵成本。通过使用深度数据作为输入仅使用 RGB-D 系统的深度数据，我们在 NYUv2 数据集上的表现相当于最先进的 RGBD 系统，并在 SUN RGB-D 数据集上设置了基准。文章还探讨了生成合成图像或视频数据，以及分析影响性能增益的不同因素。

    Nov, 2015