論文の概要: A Survey on Autonomous Driving Datasets: Statistics, Annotation Quality, and a Future Outlook
- arxiv url: http://arxiv.org/abs/2401.01454v2
- Date: Tue, 23 Apr 2024 09:08:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-24 19:25:53.148837
- Title: A Survey on Autonomous Driving Datasets: Statistics, Annotation Quality, and a Future Outlook
- Title(参考訳): 自律運転データセットに関する調査:統計,注釈品質,将来展望
- Authors: Mingyu Liu, Ekim Yurtsever, Jonathan Fossaert, Xingcheng Zhou, Walter Zimmer, Yuning Cui, Bare Luka Zagar, Alois C. Knoll,
- Abstract要約: 複数の視点から265個の自律走行データセットを網羅的に検討した。
我々は、新しいデータセットを作成するためのガイドとしても使えるデータセットの影響を評価するための新しい指標を紹介します。
我々は、将来の自動運転データセットの現在の課題と開発動向について論じる。
- 参考スコア(独自算出の注目度): 24.691922611156937
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving has rapidly developed and shown promising performance due to recent advances in hardware and deep learning techniques. High-quality datasets are fundamental for developing reliable autonomous driving algorithms. Previous dataset surveys either focused on a limited number or lacked detailed investigation of dataset characteristics. To this end, we present an exhaustive study of 265 autonomous driving datasets from multiple perspectives, including sensor modalities, data size, tasks, and contextual conditions. We introduce a novel metric to evaluate the impact of datasets, which can also be a guide for creating new datasets. Besides, we analyze the annotation processes, existing labeling tools, and the annotation quality of datasets, showing the importance of establishing a standard annotation pipeline. On the other hand, we thoroughly analyze the impact of geographical and adversarial environmental conditions on the performance of autonomous driving systems. Moreover, we exhibit the data distribution of several vital datasets and discuss their pros and cons accordingly. Finally, we discuss the current challenges and the development trend of the future autonomous driving datasets.
- Abstract(参考訳): 自律運転は、ハードウェアとディープラーニング技術の最近の進歩により、急速に発展し、有望な性能を示している。
高品質なデータセットは、信頼性の高い自律運転アルゴリズムの開発に不可欠である。
以前のデータセット調査では、限られた数に集中するか、データセットの特徴に関する詳細な調査が欠如していた。
この目的のために,センサのモーダル性,データサイズ,タスク,コンテキスト条件など,複数の視点から265個の自律走行データセットを総合的に検討した。
データセットの影響を評価するための新しいメトリクスを導入し、新しいデータセットを作成するためのガイドとしても利用できる。
さらに、アノテーションプロセス、既存のラベル付けツール、およびデータセットのアノテーション品質を分析し、標準アノテーションパイプラインを確立することの重要性を示す。
一方,自動走行システムの性能に及ぼす地理的・対角的環境条件の影響を徹底的に分析する。
さらに、いくつかの重要なデータセットのデータ分布を示し、それらの長所と短所について議論する。
最後に、将来の自動運転データセットの現在の課題と開発動向について論じる。
関連論文リスト
- ANNA: A Deep Learning Based Dataset in Heterogeneous Traffic for
Autonomous Vehicles [2.932123507260722]
本研究ではバングラデシュの視点で、特定されていない車両を含むカスタムビルドデータセットについて論じる。
IOU(Intersection Over Union)メトリックを用いたモデルの評価により,データセットの妥当性チェックを行った。
その結果、バングラデシュのトラフィックに関するKITTIまたはCOCOデータセットでトレーニングされたモデルよりも、カスタムデータセットでトレーニングされたモデルの方が正確で効率的であることが判明した。
論文 参考訳(メタデータ) (2024-01-21T01:14:04Z) - Open-sourced Data Ecosystem in Autonomous Driving: the Present and
Future [131.69699438604533]
このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。
高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。
また、解決を保障する科学的、技術的課題も検討している。
論文 参考訳(メタデータ) (2023-12-06T10:46:53Z) - On Responsible Machine Learning Datasets with Fairness, Privacy, and
Regulatory Norms [58.93352076927003]
AI技術の信頼性に関する深刻な懸念があった。
機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。
本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-24T14:01:53Z) - A Survey on Datasets for Decision-making of Autonomous Vehicle [11.556769001552768]
意思決定は、ハイレベルな自動走行に向けた重要なモジュールの1つである。
データ駆動による意思決定アプローチは、ますます注目を集めています。
本研究では、車両、環境、運転者関連データの最先端データセットを比較した。
論文 参考訳(メタデータ) (2023-06-29T08:42:18Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳(メタデータ) (2023-06-14T05:48:36Z) - A Comprehensive Survey of Dataset Distillation [73.15482472726555]
限られた計算能力で無制限に成長するデータを扱うことは困難になっている。
ディープラーニング技術はこの10年で前例のない発展を遂げた。
本稿では,多面的なデータセット蒸留の総合的な理解を提供する。
論文 参考訳(メタデータ) (2023-01-13T15:11:38Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳(メタデータ) (2022-08-16T20:46:08Z) - Ad-datasets: a meta-collection of data sets for autonomous driving [5.317624228510748]
ad-datasetsは150以上のデータセットの概要を提供するオンラインツールである。
ユーザーは16のカテゴリでデータセットをソートしてフィルタリングできる。
論文 参考訳(メタデータ) (2022-02-03T23:45:48Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳(メタデータ) (2021-06-21T12:28:08Z) - There is no data like more data -- current status of machine learning
datasets in remote sensing [1.5147172044848798]
アノテーション付きデータセットは、機械学習ベースの手法の開発と評価のための最も重要な前提条件の1つとなっている。
本稿では,これらのデータセットの歴史的展開を概観し,いくつかの事例をもとにそれらの特徴を論じ,今後の発展に向けたオープンな課題に対処する。
論文 参考訳(メタデータ) (2021-05-25T07:49:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。