深度学习与自动驾驶领域的数据集(KITTI,Oxford,Cityscape,Comma.ai,BDDV,TORCS,Udacity,GTA,CARLA,Carcraft)

简介: http://blog.csdn.net/solomon1558/article/details/70173223 Torontocity HCI middlebury caltech 行人检测数据集 ISPRS航拍数据集 mot challenge跟踪数据集数据集名称KITTI 很知名的数据集 数据集链接 http://www.cvlibs.net/datasets/kitti/Oxford RobotCar 对牛津的一部分连续的道路进行了上百次数据采集,收集到了多种天气、行人和交通情况下的数据,也有建筑和道路施工时的数据。
http://blog.csdn.net/solomon1558/article/details/70173223 

Torontocity 
HCI 
middlebury 
caltech 行人检测数据集 
ISPRS航拍数据集 
mot challenge跟踪数据集

数据集名称

KITTI

论文链接 http://www.webmail.cvlibs.net/publications/Geiger2012CVPR.pdf

Oxford RobotCar

论文链接 http://robotcar-dataset.robots.ox.ac.uk/images/robotcar_ijrr.pdf 
Over the period of May 2014 to December 2015 we traversed a route through central Oxford twice a week on average using the Oxford RobotCar platform, an autonomous Nissan LEAF. This resulted in over 1000km of recorded driving with almost 20 million images collected from 6 cameras mounted to the vehicle, along with LIDAR, GPS and INS ground truth. 
数据集采集时走过的路线: 
这里写图片描述
Data was collected in all weather conditions, including heavy rain, night, direct sunlight and snow. Road and building works over the period of a year significantly changed sections of the route from the beginning to the end of data collection.

By frequently traversing the same route over the period of a year we enable research investigating long-term localisation and mapping for autonomous vehicles in real-world, dynamic urban environments. 
在不同天气、光线情况和交通状况下的数据集中的示例图: 
这里写图片描述

Cityscape

论文链接 https://arxiv.org/pdf/1604.01685.pdf 


这里写图片描述

Comma.ai

论文链接 https://arxiv.org/pdf/1608.01230.pdf 
论文中对于数据集的描述如下 
这里写图片描述

Udacity

Udacity为其自动驾驶算法比赛专门准备的数据集 
The dataset includes driving in Mountain View California and neighboring cities during daylight conditions. It contains over 65,000 labels across 9,423 frames collected from a Point Grey research cameras running at full resolution of 1920x1200 at 2hz. The dataset was annotated by CrowdAI using a combination of machine learning and humans. 
Labels 
Car 
Truck 
Pedestrian 
这里写图片描述 
This dataset is similar to dataset 1 but contains additional fields for occlusion and an additional label for traffic lights. The dataset was annotated entirely by humans using Autti and is slightly larger with 15,000 frames.

Labels 
Car 
Truck 
Pedestrian 
Street Lights 
这里写图片描述

BDDV

论文链接 http://10.254.1.82/cache/8/03/openaccess.thecvf.com/1042c57ea5ddadd8cb802b7cb2e84b8e/Xu_End-To-End_Learning_of_CVPR_2017_paper.pdf

Berkeley的deepdrive研究组的用于自动驾驶的大规模数据集。包括视频数据集,图像分割数据集,目标检测和可行驶区域的数据集。 
视频数据集: 
Explore over 400 hours of HD video sequences across many different times in the day, weather conditions, and driving scenarios. Our video sequences also include GPS locations, IMU data, and timestamps. 
分割数据集: 
Explore over 5000 diverse images with pixel-level and rich instance-level annotations.

GTA5

中文名侠盗猎车手?一款赛车游戏,现在也被用来训练自动驾驶的模型。 
GTA5中几乎涵盖了各种各样的道路状况,包括山区、郊区和城市。还有各种各样的车辆,比如警车、救护车、出租车、货车等车型。 
据说Uber的研究人员在训练他们的自动驾驶模型用来玩GTA5这款游戏。

TORCS

This is the official site of TORCS, The Open Racing Car Simulator. TORCS is a highly portable multi platform car racing simulation. It is used as ordinary car racing game, as AI racing game and as research platform. It runs on Linux (all architectures, 32 and 64 bit, little and big endian), FreeBSD, OpenSolaris, MacOSX and Windows (32 and 64 bit). The source code of TORCS is licensed under the GPL (“Open Source”). You find more information about the project in the menu bar on the left. If you need help have a look at the FAQ first, I added a new Researchers section. You can contact us on the torcs-users mailing list (you need to subscribe to use it because of spam).

TORCS features many different cars, tracks, and opponents to race against. You can steer with a joystick or steering wheel, if the device is supported by your platform. It is also possible to drive with the mouse or the keyboard. Graphic features lighting, smoke, skid marks and glowing brake disks. The simulation features a simple damage model, collisions, tire and wheel properties (springs, dampers, stiffness, …), aerodynamics (ground effect, spoilers, …) and much more. The game play allows different types of races from the simple practice session up to the championship. Enjoy racing against your friends in the split screen mode with up to four human players.

TORCS was initially created by Eric Espié and Christophe Guionneau, substantial parts have been added by other contributors (have a look into the “Credits” section for details). The project is currently headed by Bernhard Wymann.The TORCS source code is licensed under the terms of the GNU General Public License (GPL 2), most of the artwork is licensed under the Free Art License, have a look into the packages for details about copyright holders and the licensing.

The next big development goal is an online racing mode. 
这里写图片描述

CARLA

论文链接 https://arxiv.org/pdf/1711.03938.pdf 
英特尔&丰田联合开源城市驾驶模拟器CARLA 
CARLA is an open-source simulator for autonomous driving research. CARLA has been developed from the ground up to support development, training, and validation of autonomous urban driving systems. In addition to open-source code and protocols, CARLA provides open digital assets (urban layouts, buildings, vehicles) that were created for this purpose and can be used freely. The simulation platform supports flexible specification of sensor suites and environmental conditions. 
这里写图片描述

Carcraft

谷歌母公司Alphabet的自动驾驶子公司Waymo开发的一款软件,用来在诸如加州山景城和得克萨斯州奥斯汀等虚拟重建城市中测试无人驾驶汽车软件。该公司每天要开1287万公里的虚拟里程,专注于特别棘手的道路状况。 
在虚拟的奥斯汀、山景城、凤凰城,以及那些模拟的测试场景里,有25000辆虚拟的无人车穿梭其中。它们每天总共要行驶800万英里(约1287万公里),去年一整年,Waymo的虚拟无人车行驶了25亿英里,而实体测试车全年累积的里程,只有300万英里。这里写图片描述 
这里写图片描述

另外,Waymo还在美国加州中央山谷地区的小城默塞德附近建了一个叫做castle的无人驾驶基地,综合了多种路况,利用多种道具建立了一个小型“城市”。

目录
相关文章
|
2天前
|
机器学习/深度学习 运维 监控
构建高效自动化运维系统:策略与实践基于深度学习的图像识别在自动驾驶系统中的应用
【5月更文挑战第29天】 在当今的信息技术时代,企业的IT基础设施管理变得日益复杂。为了保持竞争力,组织必须确保其服务的稳定性和效率。本文将探讨如何通过实施自动化运维系统来优化IT管理流程,降低成本并提高服务质量。文中不仅介绍了自动化的核心原则和组件,还分享了实际案例研究和最佳实践,为读者提供了一套切实可行的自动化运维解决方案。
|
3天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【5月更文挑战第28天】 随着人工智能技术的迅猛发展,尤其是深度学习在图像识别领域的突破性进展,自动驾驶汽车逐渐成为现实。本文将探讨深度学习技术如何提升自动驾驶系统中的图像识别能力,包括物体检测、分类和追踪等方面。我们将介绍几种主流的深度学习模型,如卷积神经网络(CNN)、循环神经网络(RNN)以及生成对抗网络(GAN),并分析它们在处理车辆传感器数据中的优势与挑战。此外,文章还将讨论这些技术如何整合到自动驾驶系统中,以提高安全性和可靠性。
|
3天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【5月更文挑战第28天】 随着人工智能技术的飞速发展,深度学习在图像处理和机器视觉领域取得了革命性的突破。特别是在自动驾驶系统中,基于深度学习的图像识别技术已成为实现高精度环境感知的关键。本文将探讨深度学习模型在自动驾驶汽车中用于实时图像识别的最新进展,分析其对提高道路安全性的潜在影响,并讨论面临的挑战及未来的发展方向。
|
3天前
|
机器学习/深度学习 自动驾驶 物联网
未来技术的脉动:区块链、物联网和虚拟现实的革新之旅基于深度学习的图像识别技术在自动驾驶系统中的应用
【5月更文挑战第28天】 随着科技的不断进步,新兴技术如区块链、物联网(IoT)和虚拟现实(VR)正在重塑我们的世界。本文将深入探讨这些技术的发展趋势,以及它们在各个行业中的创新应用。区块链技术以其不可篡改和去中心化的特性,正在金融、供应链管理和身份验证等领域引领一场变革。物联网通过智能设备和系统的互联互通,实现数据的高效流通,推动智慧城市和智能家居的发展。而虚拟现实技术则通过沉浸式体验,改变教育、医疗和娱乐等行业的服务模式。这些技术的融合与创新,预示着一个更加智能、互联和虚拟的未来。 【5月更文挑战第28天】 随着人工智能技术的飞速发展,深度学习已经成为推动自动驾驶系统革新的核心力量。本文
|
3天前
|
机器学习/深度学习 传感器 人工智能
基于深度学习的图像识别技术在自动驾驶系统中的应用
【5月更文挑战第28天】 在自动驾驶技术的不断进步中,图像识别作为其核心组成部分之一,正经历着前所未有的发展。本文将探讨一种基于深度学习的图像识别技术,并分析其在自动驾驶系统中的应用及潜在影响。通过对比传统算法,阐述深度学习带来的优势,同时指出当前面临的挑战和未来的发展方向。
10 0
|
3天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【5月更文挑战第28天】 随着人工智能技术的飞速发展,深度学习已成为推动计算机视觉进步的关键力量。本文聚焦于探讨深度学习在图像识别领域的创新应用及其对自动驾驶系统的深远影响。通过分析卷积神经网络(CNN)等核心算法,我们揭示了深度学习如何提升图像处理的准确性和效率,并进一步讨论了这些技术在自动驾驶汽车环境感知、决策支持和安全机制中的具体实现方式。文章旨在为读者提供一个全面的视角,理解深度学习技术如何赋能下一代智能交通系统。
|
4天前
|
机器学习/深度学习 传感器 人工智能
基于深度学习的图像识别技术在自动驾驶系统中的应用
【5月更文挑战第28天】 在现代科技快速发展的背景下,人工智能尤其是深度学习技术的迅猛进步,为多个领域带来了革命性的变化。其中,图像识别作为深度学习技术的一项关键应用,正在推动自动驾驶系统的创新发展。本文将深入探讨深度学习在图像识别中的核心机制,解析其在自动驾驶系统中的实际应用,并讨论目前面临的挑战及未来的发展趋势。通过精确的算法和大量的实验数据,我们旨在展现深度学习如何提升自动驾驶车辆对环境的感知能力,从而增强其安全性和可靠性。
|
4天前
|
机器学习/深度学习 自动驾驶 算法
基于深度学习的图像识别在自动驾驶系统中的应用
【5月更文挑战第28天】 随着人工智能技术的飞速发展,深度学习在图像处理和分析领域取得了突破性进展。特别是在自动驾驶系统中,基于深度学习的图像识别技术成为了核心组成部分,它通过模拟人类视觉认知机制来精确地检测、分类和追踪路面上的行人、车辆及其他障碍物。本文将探讨深度学习模型在自动驾驶汽车图像识别中的实际应用,以及这些模型是如何通过大量数据集进行训练以提高其准确性和鲁棒性的。此外,我们还将讨论当前所面临的挑战及未来的发展趋势。
|
3天前
|
机器学习/深度学习 传感器 自动驾驶
探索基于深度学习的图像识别技术在自动驾驶系统中的应用
【5月更文挑战第28天】 随着人工智能技术的迅猛发展,深度学习在图像处理和识别领域取得了显著成果。这些进展为自动驾驶汽车的环境感知和决策提供了新的技术支持。本文旨在探讨深度学习技术在自动驾驶系统图像识别中的应用,分析其优势与面临的挑战,并提出相应的优化策略。通过构建一个以卷积神经网络(CNN)为核心的图像识别模型,我们模拟了自动驾驶环境中的车辆和行人检测过程,并与传统机器学习方法进行了对比分析。研究结果表明,利用深度学习进行图像识别能够显著提高自动驾驶系统的准确性和鲁棒性,但同时也需要解决数据量要求大、计算资源消耗高等问题。
|
4天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【5月更文挑战第28天】 随着人工智能技术的飞速发展,深度学习已成为推动技术创新的核心力量之一。特别是在图像识别领域,通过模仿人脑处理视觉信息的方式,深度学习模型已展现出超越传统算法的性能。本文聚焦于探讨深度学习在自动驾驶系统中图像识别的应用,分析其对提升车辆环境感知能力的重要性,并展望该技术的发展方向。通过引入卷积神经网络(CNN)和循环神经网络(RNN)等先进架构,文章详细阐述了这些模型如何有效识别和分类道路标志、行人、障碍物等关键要素,以及如何处理视频流数据以实现动态环境下的实时决策。