IDD-3D：面向三维非结构化道路场景的印度驾驶数据集
计算机视觉与模式识别
2022-10-25 v1
摘要
自动驾驶和辅助系统依赖于来自交通和道路场景的标注数据，以建模和学习复杂真实世界场景中的各种对象关系。可部署的深度学习架构的准备和训练要求模型适应不同的交通场景并适应不同的情况。目前，现有数据集虽然规模庞大，但缺乏此类多样性，且在地理上主要偏向发达城市。印度等若干发展中国家存在的非结构化和复杂驾驶布局，由于对象类型、密度和位置的极大变化，对这些模型构成了挑战。为促进针对此类场景的更好研究，我们构建了一个新数据集IDD-3D，其包含来自多个相机和LiDAR传感器的多模态数据，涵盖各种交通场景的12k标注驾驶LiDAR帧。我们通过与现有数据集的统计比较讨论了该数据集的必要性，并突出了复杂布局下标准3D目标检测和跟踪任务的基准。代码和数据见 https://github.com/shubham1810/idd3d_kit.git
引用
@article{arxiv.2210.12878,
title = {IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes},
author = {Shubham Dokania and A. H. Abdul Hafez and Anbumani Subramanian and Manmohan Chandraker and C. V. Jawahar},
journal= {arXiv preprint arXiv:2210.12878},
year = {2022}
}
备注
10 pages, 8 figures, 5 tables, Accepted in Winter Conference on Applications of Computer Vision (WACV 2023)