BDD100K Dataset

Segmentacja semantyczna, wykrywanie obiektów, przejezdne obszary oraz oznaczenia pasów – to wszystko na ponad 100 000 filmach w rozdzielczości HD. Nagrane o różnych porach dnia, różnych porach roku. Dane zawierają lokalizację, stempel czasu oraz informacje z akcelerometrów.

Dane pochodzą z 4 lokalizacji z czego 3 znajdują się praktycznie w jednej okolicy (SF, Berkeley i Bay Area), czwartą lokalizacją jest Nowy Jork.

BDD100K Locations
Cztery lokalizacje [4]
BDD100K Weather Distribution
Dystrybucja danych – pogoda, okolica i czas [4]
Dane zostały pobrane o różnych porach dnia, przy różnej pogodzie i w różnego rodzaju scenach. Uwaga na wykresy – są przedstawione w skali logarytmicznej co na pierwszy rzut oka wyrównuje ilości wystąpień.

BDD100K: Object detection
Dane do wykrywania obiektów [2]
BDD100K Object Detection Instances
Liczba instancji dla każdej z klas oraz liczba przesłonięć i przycięć [4]
W tym zbiorze danych występuje tylko 10 klas obiektów, są to:

  1. bike
  2. bus
  3. car
  4. motor
  5. person
  6. rider
  7. traffic light
  8. traffic sign
  9. train
  10. truck

BDD100K: Instance segmentation
Segmentacja instancji [2]
BDD100K Instance Segmentation Instances
Dystrybucja liczby instancji dla segmentacji [4]
I tu mamy aż 22 kategorie instancji:

  1. banner
  2. billboard
  3. lane divider
  4. parking sign
  5. pole
  6. polegroup
  7. street light
  8. traffic cone
  9. traffic device
  10. traffic light
  11. traffic sign
  12. sign frame
  13. person
  14. rider
  15. bicycle
  16. bus
  17. car
  18. caravan
  19. motorcycle
  20. trailer
  21. train
  22. truck

BDD100K: Drivable area
Obszary przejezdne [2]
Wyróżnione są tylko dwa rodzaje obszarów przejezdnych:

  1. area/drivable – aktualny pas ruchu
  2. area/alternative – pozostałe pasy ruchu

BDD100K: Lane Markings
Oznaczenia pasów [2]
BDD100K Lane Markings Instances
Liczba instancji dla oznaczeń pasów [4]
W zbiorze wyróżniamy 8 kategorii oznaczeń linii:

  1. lane/crosswalk
  2. lane/double other
  3. lane/double white
  4. lane/double yellow
  5. lane/road curb
  6. lane/single other
  7. lane/single white
  8. lane/single yellow

Podsumowując otrzymaliśmy bardzo ciekawy zbiór danych, z dość małą liczbą kategorii wykrywanych obiektów. Obiekty oznaczone w zbiorze są mocno nastawione na to co możemy spotkać na drodze.

Zachęcam do wytrenowania sieci neuronowej do wykrywania obiektów!
Jeśli potrzebujesz pomocy – pisz do mnie!

Linki

  1. Kod źródłowy na Githubie
  2. Strona BDD100K
  3. Post BAIR
  4. Artykuł arXiv

 

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *