最全自动驾驶数据集分享系列三｜车道检测数据集

「本期划重点」

• Road Marking数据集是专门为为评估道路标线检测和识别的性能而设计的数据集，几乎包含了美国道路上所有常见的标记

• Unsupervised Llamas数据集是是最大的高质量车道标记数据集之一

• 由卡尔斯鲁厄理工学院发布的KITTI Road数据集是目前自动驾驶领域最重要的测试集之一，KITTI主要针对自动驾驶领域的图像处理技术，主要应用在自动驾驶感知和预测方面，其中也涉及定位和SLAM技术

「八大系列概览」

• 系列一：目标检测数据集

• 系列二：语义分割数据集

• 系列三：车道线检测数据集

• 系列四：光流数据集

• 系列五：Stereo Dataset

• 系列六：定位与地图数据集

• 系列七：驾驶行为数据集

• 系列八：仿真数据集

「 Unsupervised Llamas 」

• 发布方：BoschN.A.Research

• 下载地址：

  https://unsupervised-llamas.com/llamas/

• 论文地址：

  https://openaccess.thecvf.com/content_ICCVW_2019/papers/CVRSUAD/Behrendt_Unsupervised_Labeled_Lane_Markers_Using_Maps_ICCVW_2019_paper.pdf

• 发布时间：2019年

• 简介：该数据集是最大的高质量车道标记数据集之一，通过该数据集，发布方提供了一个基准和基线

• 特征

• 包括100,042张有标签的车道标记图像，来自约350公里的驾驶记录
• 生成标记图像的管道利用自动创建的地图将标记投射到相机图像中，并依靠优化程序来提高标签的准确性
• 包含像素级的虚线标注，每个标记的二维和三维端点以及连接标记的车道关联

「BDD」

• 发布方：加州大学伯克利分校

• 下载地址：

  https://bdd-data.berkeley.edu/

• 论文地址:

  https://arxiv.org/pdf/1805.04687.pdf

• 发布时间：2018年

• 简介：这是当时用于计算机视觉研究的最大，最多样化的开放式驾驶视频数据集。此外该数据集也适用于行人识别，因为它包含的行人实例比此前的专用数据集还多

• 特征

• 数据集从每个视频的第 10 秒采样一个关键帧，并为这些关键帧提供注释

• 它们在多个级别进行标记：图像标记、道路对象边界框、可驾驶区域、车道标记和全帧实例分割

• 这些注释可以帮助了解不同类型场景中数据和对象统计信息的多样性

「ApollpScape」

• 发布方：BoschN.A.Research

• 下载地址：

  http://apolloscape.auto/scene.html

• 论文地址:

  https://arxiv.org/pdf/1803.06184.pdf

• 发布时间：2018年

• 简介：百度阿波罗数据集包括轨迹预测、3D 激光雷达目标检测和跟踪、场景解析、车道语义分割、3D 汽车实例分割、立体和修复数据集等

• 特征

• 车道语义分割：110,000多帧的高质量的像素级语义分割数据

• 3D物体检测和追踪数据集：在中国北京的各种照明条件和交通密度下收集

「CULane」

• 发布方：香港大学

• 下载地址：

  https://pan.baidu.com/s/1KUtzC24cH20n6BtU5D0oyw#list/path=%2F

• 论文地址:

  https://ojs.aaai.org/index.php/AAAI/article/view/12301

• 发布时间：2018年

• 简介：这是一个大规模的具有挑战性的数据集，用于交通车道检测的学术研究

• 特征

• 由安装在北京六辆由不同司机驾驶的不同车辆上的摄像机收集

• 采集超过55小时的视频，提取133235帧

• 该数据集被分为88880张图像作为训练集，9675张作为验证集，34680张作为测试集。测试集被分为正常和8个挑战类别

05

「VPGNet」

• 发布方：KAIST

• 下载地址：

  https://github.com/SeokjuLee/VPGNet  

• 论文地址：

  https://openaccess.thecvf.com/content_ICCV_2017/papers/Lee_VPGNet_Vanishing_Point_ICCV_2017_paper.pdf

• 发布时间：2017年

• 简介：这是一个车道标记检测和识别基准数据集

• 特征

• 包括大约20,000张图像，有17个车道和道路标记类别

• 设计了一个统一的端到端可训练的多任务网络，联合处理车道和道路标记的检测和识别

• 包括白天（无雨，雨，大雨）和夜间这四种情况，在首尔开车的三个星期内拍摄

• 原始视频（30帧）以1Hz的间隔采样，生成图像数据