用于自动驾驶的一百万个场景：ONCE数据集
计算机视觉与模式识别
2021-10-26 v3
摘要
当前自动驾驶中的感知模型以严重依赖大量标注数据来覆盖未见案例并解决长尾问题而著称。另一方面，从大规模收集的无标签数据中学习并增量式自训练强大的识别模型已受到越来越多的关注，并可能成为下一代工业级强大且鲁棒的自动驾驶感知模型的解决方案。然而，研究界普遍受困于这些关键真实世界场景数据的不充分，这阻碍了未来对全监督/半监督/自监督3D感知方法的探索。本文中，我们介绍了用于自动驾驶场景下3D目标检测的ONCE（One millioN sCenEs）数据集。ONCE数据集由100万帧LiDAR场景与700万张对应相机图像组成。数据选自144驾驶小时，比现有最大的3D自动驾驶数据集（如nuScenes和Waymo）长20倍，且采集自不同区域、时段与天气条件。为便利未来利用无标签数据进行3D检测的研究，我们额外提供了一个基准，在其中我们在ONCE数据集上复现并评估了多种自监督与半监督方法。我们对这些方法进行了广泛分析，并提供了与其所用数据规模相关的性能方面的有价值观察。数据、代码及更多信息可在 https://once-for-auto-driving.github.io/index.html 获取。
引用
@article{arxiv.2106.11037,
title = {One Million Scenes for Autonomous Driving: ONCE Dataset},
author = {Jiageng Mao and Minzhe Niu and Chenhan Jiang and Hanxue Liang and Jingheng Chen and Xiaodan Liang and Yamin Li and Chaoqiang Ye and Wei Zhang and Zhenguo Li and Jie Yu and Hang Xu and Chunjing Xu},
journal= {arXiv preprint arXiv:2106.11037},
year = {2021}
}
备注
NeurIPS 2021 Datasets and Benchmarks Track