自动驾驶发展迅速，硬件和深度学习方法的新进展表现出了良好的性能，高质量的数据集对于开发可靠的自动驾驶算法至关重要。本研究全面调查了 200 多个自动驾驶数据集的多个方面，并引入了一种新的评估指标来评估每个数据集的影响，为建立新的数据集提供了指导。此外，还分析了数据集的注释过程和质量，并对几个重要数据集的数据分布进行了深入分析。最后，讨论了未来自动驾驶数据集的发展趋势。

Jan, 2024

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

本文提出了一个新的大规模合成数据集，用于解决自动驾驶中语义分割的领域适应问题，在各种天气和视角条件下，涵盖了七种不同类型的城市，提出了语义分割的挑战。

Apr, 2020

该研究对自主驾驶车辆的决策制定模块进行了探讨，提出了数据驱动决策制定方法的重要性，并对车辆、环境和驾驶员状况的数据进行了比较和总结，进一步总结了数据集的潜在应用及未来发展趋势。

Jun, 2023

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

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

当前自动驾驶计算机视觉的深度神经网络 (DNNs) 通常只依赖于特定数据集，涉及单一类型的数据和城市场景。这些模型难以处理新对象、噪声、夜间条件和多样化场景，但这对于安全关键应用非常重要。我们介绍了一个名为 InfraParis 的新颖多任务数据库，支持 RGB、深度和红外三种模式。我们评估了各种最先进的基准技术，包括语义分割、目标检测和深度估计的模型。

Sep, 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

本文介绍了最近在深度学习领域取得的自主驾驶感知技术。对于实现强大而准确的场景理解，自动驾驶车辆通常配备多种传感器 (例如相机、激光雷达、雷达)，并且可以将多种感知模式融合以利用它们的互补性。然而，网络架构设计方面缺乏通用指导方针，关于 “何时融合” 和 “如何融合” 等问题仍然存在争议。本文系统地总结了方法学和讨论了自主驾驶中深度多模式对象检测和语义分割的挑战。

Feb, 2019

本研究关注应用先进的技术方法提高交通事故的检测，通过引入一种创新的综合数据集来增强智能城市中的计算机视觉和动作识别系统，旨在填补现有研究的空白，提供用于交通事故检测的基准数据集，以推动学术研究并提升实时事故检测应用，从而实现更安全、更高效的智能城市环境的发展。

Jan, 2024