智能汽车测控技术 课件 第4章-第2讲 数据集.pptx

智能汽车测控技术

第2讲数据集数据集(dataset)，又称为资料集、数据集合或资料集合，是一种由数据所组成的集合。智能汽车环境感知可分为两部分：一是智能汽车环境信息的采集；二是采集信息的识别。前者可通过先进传感器实现，后者需要通过学习增加智能，实现准确识别。这些增强智能的学习方法的具体表现就是算法。算法不同，智能汽车的识别能力亦不同。为提高算法的有效性，减少智能汽车路试的试验成本，自动驾驶公开数据集应运而生。

第2讲数据集自动驾驶公开数据集主要由视频和图片组成。近两年来，有些数据集增加了多种数据如雷达数据等，数据量也越来越大。目前，公开数据集可分为两大类：驾驶数据集和交通标志数据集。常用的数据集有：KITTI、Cityscapes、Mapillary、BDD-100k、嘀嘀D2-City、百度Apollo、BDDV、Tsinghua-Tencent100k和Nuscenes等。自动驾驶数据集的公开为识别算法有效性的验证提供了输入数据。

第2讲数据集1.国外数据集1.KITTI数据集KITTI数据集用于评测立体图像，光流，视觉测距，3D物体检测和3D跟踪等计算机视觉技术在车载环境下的性能。原始数据集被分类为道路、城市、住宅、校园和行人5类数据，目标检测包括车辆检测、行人检测、自行车检测3个单项，目标追踪包括车辆追踪，行人追踪两个单项。数据集大小200G。

第2讲数据集1.国外数据集2.CityScapes数据集CityScapes数据集是目前公认最具权威性和专业性图像语义分割评测集之一，面向城市道路街景语义理解的数据集。数据主要采集于德国的中大型城市及瑞士苏黎世。主要应用方向：图像语义分割(像素分割、实例分割)，目标是理解街景的语义，针对城市街景做语义解析。

第2讲数据集1.国外数据集3.BDD-100k数据集BDD-100k数据集是Berkeley大学发布的大规模自动驾驶视频数据集，主要采集于美国城市的一天中的许多不同时间，天气条件和驾驶场景中超过1100小时驾驶场景的100000个高清视频序列，每个视频大约40秒长、720p、30帧/秒。在视频序列中还包括GPS位置，IMU数据和时间戳。图像数据是来自对每个视频第10秒的关键帧进行采样，由此得到10万张图片，使用2D边界框标注了公交车、行人、自行车、摩托、骑车者、卡车、汽车、火车和交通信号灯、交通标志等等。数据包含视频数据集、图像分割数据集、目标检测和可行驶区域的数据集。

第2讲数据集2.国内数据集1.D2-City数据集D2-City数据集采集自运行在中国五个城市的滴滴运营车辆，是一个大规模行车视频数据集，提供了超过一万段行车记录仪记录的前视视频数据。所有视频均以高清(720P)或超高清(1080P)分辨率录制。和现有类似数据集相比，D2-City的数据采集自中国多个城市，涵盖了不同的天气、道路、交通状况，尤其是极复杂和多样性的交通场景。

第2讲数据集2.国内数据集2.Tsinghua-Tencent100k数据集Tsinghua-Tencent100k是清华大学建立的交通标志数据集，主要用于交通标志的检测。该数据集包含10000个全景图和30000个交通标志实例，其图像分辨率为2048×2048。有6088个用于训练的图像和3055个用于测试的图像。该数据集涵盖了照度和天气条件的巨大变化。该数据集中显示了不同大小的对象，包括3270个小对象(区域32×32像素)，3829个中间对象(32×32像素＜区域＜96×96像素)和599个大对象(面积96×96像素)。

第2讲数据集2.国内数据集3.ApolloScape数据集ApolloScape使用移动激光雷达扫描仪器从Reigl收集点云，刻画高细粒度的静态3D世界，在采集车车顶上安装有标定好的高分辨率相机以每一米一帧的速率同步记录采集车周围的场景，整个系统配有高精度GPS和IMU，相机的实时位姿都可以被同步记录。

第2讲数据集2.国内数据集3.ApolloScape数据集Apollo开放资源数据集分为以下三大部分：(1)仿真数据集，包括自动驾驶虚拟场景和实际道路真实场景；(2)演示数据集，包括车载系统演示数据，标定演示数据，端到端演示数据，自定位模块演示数据；(3)标注数据集，包括6部分数据集：激光点云障碍物检测分类，红绿灯检测，RoadHackers，基于图像的障碍物检测分类，障碍物轨迹预测，场景解析。

第2讲数据集