Jun, 2024

VWise：用于评估车载应用场景分类的新型基准

HTML
PDF
TL;DR当前主要针对车辆应用的数据集大多数都是在北美或欧洲收集的，这对于在其他地区部署的训练或评估的模型可能会受到地理偏差的影响。本文提出了一个名为VWise的新型基准数据集，用于道路类型分类和场景分类任务，以及与拉丁美洲车辆应用有关的外部环境任务。我们收集了包含六类道路类型的520多个覆盖拉丁美洲各个城市和农村环境的视频片段，并在基准实验中评估了几个先进的分类模型，准确率达到了84%以上。通过这个数据集，我们旨在推动拉丁美洲车辆任务领域的研究。
发现论文，激发创造
  • 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

  • 动态交通场景的时空一致性分类

    本文介绍了一种面临道路运动相机拍摄时空视角变化而实现动态交通场景分类的解决方案，包括创建了80小时的数据集和使用语义上下文和时间性的新型算法开发了一种道路场景动态分类系统，可以帮助理解驾驶员的驾驶行为。

    May, 2019

  • 自动驾驶中感知的可扩展性：Waymo 开放数据集

    该研究介绍了一种新的大规模、高质量、多样化的自动驾驶数据集，其中包含了各种城市和郊区地理环境中的1150个场景，数据标注为2D和3D框，而2D和3D检测和跟踪任务的基线也得到了提供。

    Dec, 2019

  • VehicleNet：学习用于车辆重新识别的强健视觉表征

    通过构建大规模车辆数据集，并使用一个简单而有效的二阶段渐进学习方法进行学习，本文提出了用于车辆识别的新型 VehicleNet 数据集并实现了优异的识别率。

    Apr, 2020

  • 一种基于POV的高速公路车辆轨迹数据集和预测架构

    介绍了Carolinas Highway Dataset (CHD)：一个包含了1.6百万个镜头从不同角度拍摄的视频和338,000个车辆轨迹的数据集，以及PishguVe：一种新颖的基于注意力图同构和卷积神经网络的车辆轨迹预测架构。结果表明，PishguVe在不同视角的数据集中的性能超过了现有算法成为新的最优解 (SotA)。

    Mar, 2023

  • V2X-Seq: 车辆基础设施合作感知和预测的大规模序列数据集

    引入第一个大规模的连续V2X数据集V2X-Seq，包括数据帧，轨迹，矢量地图和交通灯。基于该数据集，提出三个新的车辆基础设施协作自动驾驶任务：VIC3D跟踪、在线和离线预测，并提供了这些任务的基准。

    May, 2023

  • 使用联网车辆数据和深度学习模型自动提取相关道路基础设施

    通过利用车联网数据和深度学习模型，在道路基础设施映射方面取得了显著的成果，提出了一种基于geohashing和YOLOv5算法的自动识别路口的新方法，实验证明了该方法的高准确性和广泛应用前景。

    Aug, 2023

  • 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

  • 深入多模态多任务基础模型探索道路场景理解：从学习范式视角

    基于多模态多任务视觉理解基础模型（MM-VUFMs）的研究综述，旨在提供道路场景下 MM-VUFMs 的综合概述，包括任务特定模型、统一多模态模型、统一多任务模型和基础模型推进技术，并突出其在不同学习范式中的高级能力。

    Feb, 2024

  • 基于场景和能力驱动的数据集开发与评估：无地图自动驾驶情景下的一种方法

    我们提出了一种基于场景和能力的数据集开发方法，通过ISO 21448和ISO/TR 4804的原则，便于结构化地推导出数据集需求，从而克服了现有车道检测数据集在真实世界适用性、关键特征标注和复杂驾驶操作全面信息缺失等方面的显著局限性。

    Apr, 2024