SVIRO：合成车辆内部后座占用数据集与基准
计算机视觉与模式识别
2020-01-13 v1
摘要
我们发布了 SVIRO，一个包含十种不同车辆乘客舱场景的合成数据集，用于分析基于机器学习的方法在有限变化（例如相同的背景与纹理、每类少量实例）下训练时的泛化能力与可靠性。这与内在高变异性的常见基准数据集形成对比，后者侧重于提升通用任务的当前最优水平。我们的数据集包含用于目标检测的边界框、用于实例分割的掩码、用于姿态估计的关键点以及每个合成场景的深度图像，还有用于分类的每个独立座椅的图像。我们这一用例的优势有两方面：贴近实际应用，可在新颖环境下对新方法进行评估，同时将复杂度降低至更易处理的境况，从而可在比玩具问题更具挑战性的数据集上检验应用与理论问题。数据与评估服务器可在 https://sviro.kl.dfki.de 获取。
引用
@article{arxiv.2001.03483,
title = {SVIRO: Synthetic Vehicle Interior Rear Seat Occupancy Dataset and Benchmark},
author = {Steve Dias Da Cruz and Oliver Wasenmüller and Hans-Peter Beise and Thomas Stifter and Didier Stricker},
journal= {arXiv preprint arXiv:2001.03483},
year = {2020}
}
备注
This paper is accepted at IEEE Winter Conference on Applications of Computer Vision (WACV), 2020. Supplementary material is available under https://sviro.kl.dfki.de/downloads/papers/wacv_supplementary.pdf