DriveSeg：動態(tài)駕駛場景分割數(shù)據(jù)集

點擊上方“程序員大白”，選擇“星標(biāo)”公眾號
重磅干貨，第一時間送達(dá)

【導(dǎo)讀】麻省理工學(xué)院和豐田發(fā)布DriveSeg數(shù)據(jù)集以加速自動駕駛研究，DriveSeg包含許多常見道路對象的精確像素級表示，并通過連續(xù)視頻駕駛場景的鏡頭。

我們?nèi)绾斡?xùn)練自動駕駛模型，以加深對周圍世界的認(rèn)識？計算機(jī)能否從過去的經(jīng)驗中學(xué)習(xí)以識別未來的模式，以幫助他們安全地應(yīng)對新的不可預(yù)測的情況？

麻省理工學(xué)院運輸與物流中心的AgeLab和豐田合作安全研究中心（CSRC）的研究人員發(fā)布了DriveSeg的開放數(shù)據(jù)集。

通過發(fā)布DriveSeg，麻省理工學(xué)院和豐田汽車正在努力推進(jìn)自動駕駛系統(tǒng)的研究，就像人類的感知一樣，自動駕駛系統(tǒng)將駕駛環(huán)境視為連續(xù)的視覺信息流。

迄今為止，提供給研究團(tuán)體的自動駕駛數(shù)據(jù)主要由大量靜態(tài)的單一圖像組成，這些圖像可用于識別和跟蹤在道路內(nèi)和道路周圍發(fā)現(xiàn)的常見物體，例如自行車，行人或交通信號燈，通過使用“邊界框”。相比之下，DriveSeg包含許多相同的常見道路對象的更精確的像素級表示，但是是通過連續(xù)視頻駕駛場景的鏡頭。這種類型的全場景分割對于識別更多不總是具有這種定義和統(tǒng)一形狀的無定形對象（例如道路建設(shè)和植被）尤其有用。

根據(jù)Sherony的說法，基于視頻的駕駛場景感知提供的數(shù)據(jù)流更類似于動態(tài)，現(xiàn)實世界的駕駛情況。它還使研究人員能夠隨著時間的推移探索數(shù)據(jù)模式，這可能推動機(jī)器學(xué)習(xí)，場景理解和行為預(yù)測方面的進(jìn)步。

DriveSeg是免費提供的，研究人員和學(xué)術(shù)界可將其用于非商業(yè)目的。數(shù)據(jù)由兩部分（manual與semi-auto）組成。DriveSeg（manual）是在馬薩諸塞州劍橋市繁忙的街道上白天捕獲的2分47秒的高分辨率視頻。該視頻的5,000幀使用12類道路對象的每像素人工標(biāo)簽進(jìn)行密集注釋。

DriveSeg（semi-auto）是從MIT高級車輛技術(shù)（AVT）聯(lián)盟數(shù)據(jù)中提取的20,100個視頻幀（67個10秒的視頻剪輯）。DriveSeg（Semi-auto）與DriveSeg（manual）具有相同的像素級語義注釋，除了注釋是通過MIT開發(fā)的新型半自動注釋方法完成的。與手動注釋相比，此方法利用了手動和計算的努力，可以以較低的成本更有效地粗略地注釋數(shù)據(jù)。創(chuàng)建該數(shù)據(jù)集的目的是評估注釋各種現(xiàn)實駕駛場景的可行性，并評估在通過基于AI的標(biāo)記系統(tǒng)創(chuàng)建的像素標(biāo)記上訓(xùn)練車輛感知系統(tǒng)的潛力。

數(shù)據(jù)集主頁：https://agelab.mit.edu/driveseg

原文鏈接：http://news.mit.edu/2020/mit-toyota-release-visual-open-data-accelerate-autonomous-driving-research-0618

推薦閱讀
13個你一定要知道的PyTorch特性
解讀：為什么要做特征歸一化/標(biāo)準(zhǔn)化？
一文搞懂 PyTorch 內(nèi)部機(jī)制
張一鳴：每個逆襲的年輕人，都具備的底層能力

關(guān)于程序員大白

程序員大白是一群哈工大，東北大學(xué)，西湖大學(xué)和上海交通大學(xué)的碩士博士運營維護(hù)的號，大家樂于分享高質(zhì)量文章，喜歡總結(jié)知識，歡迎關(guān)注[程序員大白]，大家一起學(xué)習(xí)進(jìn)步！