DriveSeg：动态驾驶场景分割数据集

点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达

【导读】麻省理工学院和丰田发布DriveSeg数据集以加速自动驾驶研究，DriveSeg包含许多常见道路对象的精确像素级表示，并通过连续视频驾驶场景的镜头。

我们如何训练自动驾驶模型，以加深对周围世界的认识？计算机能否从过去的经验中学习以识别未来的模式，以帮助他们安全地应对新的不可预测的情况？

麻省理工学院运输与物流中心的AgeLab和丰田合作安全研究中心（CSRC）的研究人员发布了DriveSeg的开放数据集。

通过发布DriveSeg，麻省理工学院和丰田汽车正在努力推进自动驾驶系统的研究，就像人类的感知一样，自动驾驶系统将驾驶环境视为连续的视觉信息流。

迄今为止，提供给研究团体的自动驾驶数据主要由大量静态的单一图像组成，这些图像可用于识别和跟踪在道路内和道路周围发现的常见物体，例如自行车，行人或交通信号灯，通过使用“边界框”。相比之下，DriveSeg包含许多相同的常见道路对象的更精确的像素级表示，但是是通过连续视频驾驶场景的镜头。这种类型的全场景分割对于识别更多不总是具有这种定义和统一形状的无定形对象（例如道路建设和植被）尤其有用。

根据Sherony的说法，基于视频的驾驶场景感知提供的数据流更类似于动态，现实世界的驾驶情况。它还使研究人员能够随着时间的推移探索数据模式，这可能推动机器学习，场景理解和行为预测方面的进步。

DriveSeg是免费提供的，研究人员和学术界可将其用于非商业目的。数据由两部分（manual与semi-auto）组成。DriveSeg（manual）是在马萨诸塞州剑桥市繁忙的街道上白天捕获的2分47秒的高分辨率视频。该视频的5,000帧使用12类道路对象的每像素人工标签进行密集注释。

DriveSeg（semi-auto）是从MIT高级车辆技术（AVT）联盟数据中提取的20,100个视频帧（67个10秒的视频剪辑）。DriveSeg（Semi-auto）与DriveSeg（manual）具有相同的像素级语义注释，除了注释是通过MIT开发的新型半自动注释方法完成的。与手动注释相比，此方法利用了手动和计算的努力，可以以较低的成本更有效地粗略地注释数据。创建该数据集的目的是评估注释各种现实驾驶场景的可行性，并评估在通过基于AI的标记系统创建的像素标记上训练车辆感知系统的潜力。

数据集主页：https://agelab.mit.edu/driveseg

原文链接：http://news.mit.edu/2020/mit-toyota-release-visual-open-data-accelerate-autonomous-driving-research-0618

好消息！
小白学视觉知识星球
开始面向外开放啦👇👇👇



下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~