BadODD: 孟加拉自主驾驶物体检测数据集
自主导航的成功依赖于稳健和精确的车辆识别,但由于特定地区车辆检测数据集的稀缺性,阻碍了上下文感知系统的发展。为了推进地面物体检测研究,本文提出了一个用于孟加拉国常见车辆类别的本土车辆检测数据集。该数据集包括 17 个不同的车辆类别,完全注释了 17326 张图像中的 81542 个实例,每个图像宽度至少为 1280px。结果表明,该数据集在意外场景上更加稳健,对地理、光照、车辆尺寸和朝向等因素进行了充分考虑。在考察本土车辆检测数据集的背景下,本文通过四种连续的 You Only Look Once (YOLO) 模型,即 YOLO v5、v6、v7 和 v8,对数据集的有效性进行了全面评估,并与已经使用的其他车辆数据集进行了对比。实验结果表明,BNVD 数据集在 50% 交并比下的平均精度为 0.848,相应的精确度和召回率分别为 0.841 和 0.774。研究发现表明,在 0.5 到 0.95 的交并比范围内,mAP 为 0.643。实验表明,BNVD 数据集可靠地代表了车辆分布,并呈现出相当复杂性。
May, 2024
通过创建新的数据集 ANNA 并借助神经网络,本研究评估了现有数据集在孟加拉交通场景下的不足,并证明了使用该数据集训练的模型在孟加拉交通情境下更精确和高效,强调了开发准确有效的物体检测算法对自动驾驶车辆发展的重要性。
Jan, 2024
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
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
该研究旨在解决传统自动驾驶中常见的物体识别偏差的问题,提出了一个具有挑战性的 CODA 数据集,以检测标准物体检测器的性能下降,为研究可靠的真实世界自动驾驶提供帮助。
Mar, 2022
本文研究了基于印度驾驶数据集(IDD)进行物体检测的增量学习问题,提出了一种采用多个领域特定分类器和有效的迁移学习方法来避免灾难性遗忘的方法,并在 IDD 和 BDD100K 数据集上进行评估。结果表明,在环境领域移位的情况下,我们的领域适应性方法是有效的。
Sep, 2019
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
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
Zenseact Open Dataset (ZOD) 是一种大规模且多样化的自动驾驶数据集,采集了两年时间在欧洲各地的数据,涵盖了比现有数据集多 9 倍的区域,并支持长距离感知和多任务学习。该数据集是通过各种帧、序列和驱动器收集的,为传感器融合、本地化和建图提供了支持。
May, 2023
为了实现自主驾驶高安全性要求下的鲁棒性,本文提出了一种新数据集的收集方法,覆盖多种天气、交通和场景,包含图像和点云数据以及高精度 GPS/INS 数据,并在此基础上分析了自动驾驶的三个关键问题的性能表现。
Aug, 2022