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

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

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

我们提出了一个全面的数据集，用于在孟加拉国 9 个地区的各种驾驶环境中进行目标检测。该数据集仅从智能手机摄像头采集，以真实的方式展现了世界的情景，包括白天和夜晚条件。

Jan, 2024

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

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

本文介绍了第一个用于道路侧面感知任务的高多样性 Rope3D 3D 数据集，其中包括超过 1.5M 3D 物体，同时提出利用几何约束来解决各种传感器和视角引起的固有模糊，并针对现有的前视单眼 3D 目标检测方法进行了改进。

Mar, 2022

介绍了 Honda Research Institute Driving Dataset（HDD），这是一个挑战性数据集，包括 104 小时的人类真实驾驶行为。同时还提出了一种新的注释方法来研究未剪辑数据序列中的驾驶行为，通过训练和测试基线算法，展示了所提出任务的可行性。

Nov, 2018

本文介绍了一份新的挑战性 A*3D 数据集，以满足自动驾驶研究任务在高度多样化的环境中的需求，并采用基于 RGB 图像和 LiDAR 数据的丰富多样的场景、时间和天气情况，其中包括重度遮挡和大量的夜间框架，共包含 39K 帧、7 个类别和 230K 个 3D 对象注释。对 A*3D 数据集进行广泛的 3D 对象检测基准评估，对高密度、白天 / 黑夜等各种属性给出了有趣的见解。

Sep, 2019

通过无监督目标发现来解决数据密集型的自动驾驶安全应用中的遮挡问题，通过深度信息融合与智能路侧单元（RSU）的协同感知来提升自主车辆的感知能力，从而最大程度上减少遮挡的影响，并通过在少量标注数据上微调方法展示其优于或甚至超越完全监督模型的性能差距缩小的能力。

Apr, 2024