對城市自動駕駛語義分割的開源數據集的理解可能會對工程師如何訓練自動駕駛模型有所幫助
最近10年我們在語義分割數據集的創建和算法提升方面付出了很多努力。最近得益於深度學習理論的發展,我們在視覺場景理解的子領域中獲得了不少進步。深度學習的缺點是需要大量的標註數據,這裏我們整理了一些廣泛應用的城市語義分割的數據集希望可以爲自動駕駛領域提供借鑑。
這是我們關於如果爲自動駕駛提供語義分割數據集系列文章中的第一篇
語義分割標註任務主要是指在像素級水平上,把圖片中的物體按照類分別標註。這些類可能是“行人,車輛,建築物,天空,植被等等。例如,語義分割可以幫助SDCs(自動駕駛車輛)識別一個圖片中的可行駛區域。
數據集
名字 | 時間 | 類別 | 圖片數量 | 地點 | 環境 |
---|---|---|---|---|---|
2007 | 32 | 700 | Cambridge | 白天 | |
2012 | N/A | N/A | Kalsruhe | 白天 | |
2013 | 5 | 500 | Heidelberg | 白天 | |
2016 | 30 | 5000 (+20000) | 德國,瑞士,法國 | 氣候 (春/夏/秋) | |
2017 | 66 | 25000 | 美國,歐洲,非洲,亞洲大洋洲 | 晴天、下雨、下雪、霧黃昏、白天,晚上 |
是最早的第一用於自動駕駛領域的語義分割數據集,發佈於2007年末。他們應用自己的圖像標註軟件在一段10分鐘的視頻中連續標註了700張圖片,這些視頻是由安裝在汽車儀表盤的攝像機拍攝的,拍攝視角和司機的視角基本一致
KITTI
- KITTI數據集發佈於2012年,但是他們起初不標註好的語義分割圖像,而是後來由另外的團隊標註而成。然而這個數據集沒有包括對道路的標註。這個小數據集是由安裝在車頂部的一系列傳感器包括灰度傳感器,彩色相機,雷達掃描儀和GPS/IMU單元拍攝而成。
DUS
- 這個數據集包括5000灰度圖像,其中只有500張標註過的語義分割圖片。與其他數據集不同的是,它不包括“自然”這一分類。因爲尺寸小,所以它比較適合用來測試語義分割模型的表現效果
CityScapes
- 它是DUS數據集的擴展版本,在更多的地形和氣候條件下錄製來獲取更多變的城市景觀。這個數據集也包括了很多粗糙的圖片來提升大量弱標註的數據的表現效果。和DUS類似,相機是安裝在擋風玻璃後面。圖片中的30個類別也被分成了8個大類。這個數據集的一個特徵就是它提供了20000多張粗分割的圖片。很多深度學習技術應用這個傳統的數據集來提升他們IoU評分。
最近的模型一般IoU都在80%以上,一下鏈接包含了他們的打分系統還有實施準則
Mapillary
- 是一個街景圖片平臺,平臺註冊用戶可以共同合作參與去製作更好的地圖。他們開放了部分圖片數據集並且以像素級精度標註了這些圖片。在寫這篇文章時,它是世界上最大的做多樣化的開源數據集,地理範圍跨越了大陸。
- 由於這個平臺上的圖片使大衆一起收集的,所以圖片角度有很多種類,瞭解更多點擊這裏
- 您也可以用他們的數據集提交算法,瞭解更多