CODA：面向自动驾驶目标检测的真实道路极端案例数据集
计算机视觉与模式识别
2022-09-20 v3 机器学习
机器人学
摘要
当代用于自动驾驶的深度学习目标检测方法通常假设预定义了常见交通参与者类别，如行人和汽车。大多数现有检测器无法检测不常见物体和极端案例（例如，一只狗穿过街道），这在某些情况下可能导致严重事故，使得可靠自动驾驶实际应用的进程充满不确定性。阻碍真正可靠自动驾驶系统发展的一个主要原因是缺乏用于评估目标检测器在极端案例上性能的公开数据集。因此，我们引入了一个名为CODA的挑战性数据集，揭示了基于视觉的检测器的这一关键问题。该数据集由1500个精心挑选的真实驾驶场景组成，每个场景平均包含四个物体级极端案例，涵盖超过30个物体类别。在CODA上，在大规模自动驾驶数据集上训练的标准目标检测器的性能显著下降，mAR不超过12.8%。此外，我们实验了最先进的开放世界目标检测器，发现它也未能可靠地识别CODA中的新颖物体，这表明自动驾驶的鲁棒感知系统可能仍遥不可及。我们期望我们的CODA数据集能促进真实世界自动驾驶可靠检测方面的进一步研究。我们的数据集将在 https://coda-dataset.github.io 发布。
引用
@article{arxiv.2203.07724,
title = {CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving},
author = {Kaican Li and Kai Chen and Haoyu Wang and Lanqing Hong and Chaoqiang Ye and Jianhua Han and Yukuai Chen and Wei Zhang and Chunjing Xu and Dit-Yan Yeung and Xiaodan Liang and Zhenguo Li and Hang Xu},
journal= {arXiv preprint arXiv:2203.07724},
year = {2022}
}
备注
ECCV 2022