【導讀】麻省理工學院和豐田發(fā)布DriveSeg數(shù)據(jù)集以加速自動駕駛研究，DriveSeg包含許多常見道路對象的精確像素級表示，并通過連續(xù)視頻駕駛場景的鏡頭。

我們?nèi)绾斡柧氉詣玉{駛模型，以加深對周圍世界的認識？計算機能否從過去的經(jīng)驗中學習以識別未來的模式，以幫助他們安全地應對新的不可預測的情況？

麻省理工學院運輸與物流中心的AgeLab和豐田合作安全研究中心(CSRC)的研究人員發(fā)布了DriveSeg的開放數(shù)據(jù)集。

通過發(fā)布DriveSeg，麻省理工學院和豐田汽車正在努力推進自動駕駛系統(tǒng)的研究，就像人類的感知一樣，自動駕駛系統(tǒng)將駕駛環(huán)境視為連續(xù)的視覺信息流。

迄今為止，提供給研究團體的自動駕駛數(shù)據(jù)主要由大量靜態(tài)的單一圖像組成，這些圖像可用于識別和跟蹤在道路內(nèi)和道路周圍發(fā)現(xiàn)的常見物體，例如自行車，行人或交通信號燈，通過使用“邊界框”。相比之下，DriveSeg包含許多相同的常見道路對象的更精確的像素級表示，但是是通過連續(xù)視頻駕駛場景的鏡頭。這種類型的全場景分割對于識別更多不總是具有這種定義和統(tǒng)一形狀的無定形對象(例如道路建設和植被)尤其有用。

根據(jù)Sherony的說法，基于視頻的駕駛場景感知提供的數(shù)據(jù)流更類似于動態(tài)，現(xiàn)實世界的駕駛情況。它還使研究人員能夠隨著時間的推移探索數(shù)據(jù)模式，這可能推動機器學習，場景理解和行為預測方面的進步。

DriveSeg是免費提供的，研究人員和學術(shù)界可將其用于非商業(yè)目的。數(shù)據(jù)由兩部分(manual與semi-auto)組成。DriveSeg(manual)是在馬薩諸塞州劍橋市繁忙的街道上白天捕獲的2分47秒的高分辨率視頻。該視頻的5,000幀使用12類道路對象的每像素人工標簽進行密集注釋。

DriveSeg(semi-auto)是從MIT高級車輛技術(shù)(AVT)聯(lián)盟數(shù)據(jù)中提取的20,100個視頻幀(67個10秒的視頻剪輯)。DriveSeg(Semi-auto)與DriveSeg(manual)具有相同的像素級語義注釋，除了注釋是通過MIT開發(fā)的新型半自動注釋方法完成的。與手動注釋相比，此方法利用了手動和計算的努力，可以以較低的成本更有效地粗略地注釋數(shù)據(jù)。創(chuàng)建該數(shù)據(jù)集的目的是評估注釋各種現(xiàn)實駕駛場景的可行性，并評估在通過基于AI的標記系統(tǒng)創(chuàng)建的像素標記上訓練車輛感知系統(tǒng)的潛力。

數(shù)據(jù)集主頁：https://agelab.mit.edu/driveseg

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

專知，專業(yè)可信的人工智能知識分發(fā)，讓認知協(xié)作更快更好！歡迎注冊登錄專知www.zhuanzhi.ai，獲取5000+AI主題干貨知識資料！歡迎微信掃一掃加入專知人工智能知識星球群，獲取最新AI專業(yè)干貨知識教程資料和與專家交流咨詢！點擊“閱讀原文”，了解使用專知，查看獲取5000+AI主題知識資源

總結(jié)

以上是生活随笔為你收集整理的mit数据集_DriveSeg：动态驾驶场景分割数据集的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。