DG-Labeler 与 DGL-MOTS 数据集：提升自动驾驶感知
计算机视觉与模式识别
2021-10-18 v1
摘要
多目标跟踪与分割（MOTS）是自动驾驶应用中的一项关键任务。现有的 MOTS 研究面临两个关键挑战：1）已发布的数据集未能充分捕捉真实世界的复杂性，以便网络训练应对各种驾驶场景；2）文献中对用于提高 MOTS 学习样本质量的工作流程标注工具研究不足。在这项工作中，我们引入了 DG-Labeler 和 DGL-MOTS 数据集，以促进 MOTS 任务的训练数据标注，并相应地提高网络训练的准确性和效率。DG-Labeler 使用新颖的深度粒度模块来描绘实例空间关系并生成细粒度实例掩码。由 DG-Labeler 标注的 DGL-MOTS 数据集在数据多样性、标注质量和时序表示方面超越了先前的工作（即 KITTI MOTS 和 BDD100K）。广泛的跨数据集评估结果表明，在我们的 DGL-MOTS 数据集上训练的几种最先进方法性能有显著提升。我们相信，我们的 DGL-MOTS 数据集和 DG-Labeler 具有提升未来交通视觉感知的宝贵潜力。
引用
@article{arxiv.2110.07790,
title = {DG-Labeler and DGL-MOTS Dataset: Boost the Autonomous Driving Perception},
author = {Yiming Cui and Zhiwen Cao and Yixin Xie and Xingyu Jiang and Feng Tao and Yingjie Chen and Lin Li and Dongfang Liu},
journal= {arXiv preprint arXiv:2110.07790},
year = {2021}
}