R2S100K：面向野外半监督自动驾驶的道路区域分割数据集
计算机视觉与模式识别
2023-08-15 v1
摘要
对道路的语义理解是安全自动驾驶的关键赋能因素。然而，现有自动驾驶数据集提供结构良好的城市道路，却忽略了包含破损、坑洞、水坑及各类路面补块（如土路、砾石等）的非结构化道路。为此，我们引入道路区域分割数据集（R2S100K）——一个用于在上述极具挑战性的非结构化道路中训练和评估道路分割的大规模数据集与基准。R2S100K 由从覆盖逾 1000 公里道路、规模大且多样的一批视频序列中提取的 100K 图像组成。在这 100K 张尊重隐私的图像中，14,000 张具有道路区域的精细像素标注，86,000 张无标注图像可通过半监督学习方法加以利用。同时，我们提出一种基于高效数据采样（EDS）的自训练框架，以利用无标注数据改进学习。实验结果表明，所提方法显著提升了学习方法在泛化性上的表现，并降低了语义分割任务的标注成本。我们的基准将公开于 https://r2s100k.github.io/ 以促进未来研究。
引用
@article{arxiv.2308.06393,
title = {R2S100K: Road-Region Segmentation Dataset For Semi-Supervised Autonomous Driving in the Wild},
author = {Muhammad Atif Butt and Hassan Ali and Adnan Qayyum and Waqas Sultani and Ala Al-Fuqaha and Junaid Qadir},
journal= {arXiv preprint arXiv:2308.06393},
year = {2023}
}