1.数据集介绍
Apollo Scape数据集覆盖以下8个任务,详细可以直接点进链接去看,每个任务的数据结构等重要信息都在里面
1.1 Scene Parsing(场景解析)
任务旨在理解输入图像中的场景,对图像进行像素级别的分类,将图像中的每个像素分配到特定的类别中。在自动驾驶中,场景解析有助于理解道路上的各种元素,例如道路、行人、车辆、建筑等。这对于智能车辆进行高级决策和规划非常重要。
1.2 Car Instance(车辆实例分割)
任务旨在对图像中的车辆进行像素级别的分割,区分不同车辆的边界。简单说就是把行车记录图像中出现的车辆识别出来高亮。
1.3 Lane Segmentation(车道线分割)
检测并分割图像中的车道线,帮助车辆的定位、导航和路径规划,使车辆能够准确地保持在道路上。
1.4 Self Localization(自定位):
任务目标是确定车辆在世界坐标系中的准确位置。通过传感器信息给出周围环境场景,同时进行车辆自定位。在自动驾驶中,准确的自我定位是实现精确导航和路径规划的基础,帮助车辆理解自身在道路网络中的位置。
1.5 Trajectory(轨迹):
轨迹任务涉及对运动物体(如车辆、行人等)未来可能采取的路径进行建模和预测。提前预测其他交通参与者的行为,可以更好地规划车辆的行驶轨迹。当然这也是作者唯一研究过的数据集,轨迹数据集其实就是传感器识别的车辆周围事物的坐标点集及长宽高等信息,而后再通过人工标注的方式对点集进行分类(如车辆、行人等)。
1.6 Detection/Tracking(检测/跟踪):
检测任务涉及识别车辆周围存在的对象(如车辆、行人、交通标志等),而跟踪任务则涉及在时间序列中跟踪这些对象的运动。不过实际上这里面都是点云数据,而后再通过人工标志的方式标注出检测对象的位置、形状、大小。好吧这是作者唯二研究过的数据集…
1.7 Stereo estimation(立体估计):
从立体图像对中推断出深度信息,即场景中不同点到相机的距离。
1.8 Inpainting(图像修复)
自动驾驶领域中的场景解析和修复任务。具体来说,道路环境可能在某些情况下由于各种原因(例如,天气条件、遮挡或传感器故障)形成不了完整的场景。因此,需要对这些缺失或不完整的场景进行修复,以便在自动驾驶系统中能够做出准确的决策。
2.数据集下载
不写长文!估计了一下篇幅感觉有点臃肿,另起炉灶吧,下篇见Apollo Scape(阿波罗)数据集介绍及下载链接(二)