論文の概要: RailGoerl24: Görlitz Rail Test Center CV Dataset 2024
- arxiv url: http://arxiv.org/abs/2504.00204v1
- Date: Mon, 31 Mar 2025 20:18:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-03 13:24:41.084427
- Title: RailGoerl24: Görlitz Rail Test Center CV Dataset 2024
- Title（参考訳）: RailGoerl24:Görlitz Rail Test Center CV Dataset 2024
- Authors: Rustam Tagiew, Ilkay Wunderlich, Mark Sastuba, Steffen Seitz,
- Abstract要約: RailGoerl24(レールゴエル24)は、ドイツのGorlitzにあるT"UV S"UD Railの鉄道試験センターで記録された12205フレームのフルHDカメラデータセットである。
データセットには、オブジェクトクラス 'person' の合計で33556のボックスワイズアノテーションが含まれている。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Driverless train operation for open tracks on urban guided transport and mainline railways requires, among other things automatic detection of actual and potential obstacles, especially humans, in the danger zone of the train's path. Machine learning algorithms have proven to be powerful state-of-the-art tools for this task. However, these algorithms require large amounts of high-quality annotated data containing human beings in railway-specific environments as training data. Unfortunately, the amount of publicly available datasets is not yet sufficient and is significantly inferior to the datasets in the road domain. Therefore, this paper presents RailGoerl24, an on-board visual light Full HD camera dataset of 12205 frames recorded in a railway test center of T\"UV S\"UD Rail, in G\"orlitz, Germany. Its main purpose is to support the development of driverless train operation for guided transport. RailGoerl24 also includes a terrestrial LiDAR scan covering parts of the area used to acquire the RGB data. In addition to the raw data, the dataset contains 33556 boxwise annotations in total for the object class 'person'. The faces of recorded actors are not blurred or altered in any other way. RailGoerl24, soon available at data.fid-move.de/dataset/railgoerl24, can also be used for tasks beyond collision prediction.
- Abstract（参考訳）: 都市案内輸送や本線鉄道の未開通線路の無人運転には、列車の進路の危険地帯において、現実的および潜在的な障害物を自動的に検出する必要がある。
機械学習アルゴリズムは、このタスクのための強力な最先端ツールであることが証明されている。
しかしながら、これらのアルゴリズムは、トレーニングデータとして、鉄道固有の環境における人間を含む大量の高品質な注釈付きデータを必要とする。
残念ながら、公開データセットの量は十分ではなく、ロードドメインのデータセットよりも大幅に劣っている。
そこで本稿では,ドイツのG\"オーリッツにあるT\"UV S\"UD Railの鉄道試験センターで記録された12205フレームのフルHDカメラデータセットであるRailGoerl24について述べる。
その主な目的は、誘導輸送のための無人列車の開発を支援することである。
RailGoerl24には、RGBデータを取得するために使用される領域の一部をカバーする地上LiDARスキャンも含まれている。
生のデータに加えて、データセットには33556のボックスワイドアノテーションが含まれています。
録音された俳優の顔は、他の方法ではぼやけたり変化したりしない。
間もなくdata.fid-move.de/dataset/railgoerl24で利用可能になるRailGoerl24は、衝突予測以外のタスクにも使用できる。
関連論文リスト
- Railway LiDAR semantic segmentation based on intelligent semi-automated data annotation [0.48212500317840945]
本稿では,スキャンと画像の併用による2DPassネットワークアーキテクチャに基づくポイントワイズ3次元セマンティックセマンティックセマンティックセマンティクスのアプローチを提案する。
また,ドイツの鉄道線路に記録された必要なデータセットを効率よく正確にラベル付けするために,半自動のインテリジェントデータアノテーション手法を提案する。
我々は、鉄道環境からのカメラやLiDARデータを含むレールデータを注釈し、画像セグメンテーションネットワークを用いて生のLiDAR点雲を転送し、アクティブラーニングを効率的に活用する最先端の3DLiDARセグメンテーションネットワークを訓練する。
論文 参考訳（メタデータ） (2024-10-17T09:36:19Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - The IMPTC Dataset: An Infrastructural Multi-Person Trajectory and
Context Dataset [4.413278371057897]
市内の交差点は、怪我や致命的な事故で最も重要な交通エリアである。
われわれは、ドイツのインテリジェントな公共都市交差点と視覚センサー技術を使用している。
得られたデータセットは8時間の計測データから構成される。
論文 参考訳（メタデータ） (2023-07-12T13:46:20Z) - OSDaR23: Open Sensor Data for Rail 2023 [0.0]
OSDaR23は2021年9月にドイツのハンブルクで取得された45のサブシーケンスのマルチセンサーデータセットである。
データセットには204091のポリリン、多角形、長方形、立方形アノテーションが含まれており、合計で20の異なるオブジェクトクラスがある。
これは、鉄道コンテキストに関連するさまざまなオブジェクトクラスを持つ、初めて公開されたマルチセンサーアノテーション付きデータセットである。
論文 参考訳（メタデータ） (2023-05-04T17:19:47Z) - TrainSim: A Railway Simulation Framework for LiDAR and Camera Dataset
Generation [1.2165229201148093]
本稿では,仮想環境下で現実的な鉄道シナリオを生成できる視覚シミュレーションフレームワークを提案する。
シミュレーションされたLiDARとカメラから慣性データとラベル付きデータセットを自動的に生成する。
論文 参考訳（メタデータ） (2023-02-28T11:00:13Z) - aiMotive Dataset: A Multimodal Dataset for Robust Autonomous Driving
with Long-Range Perception [0.0]
このデータセットは、同期して校正されたLiDAR、カメラ、および360度の視野をカバーするレーダーセンサーを備えた176のシーンで構成されている。
収集したデータは、昼間、夜、雨の間に、高速道路、都市、郊外で撮影された。
我々は3次元物体検出のための一次元・多モードベースラインモデルを訓練した。
論文 参考訳（メタデータ） (2022-11-17T10:19:59Z) - Large Scale Real-World Multi-Person Tracking [68.27438015329807]
本稿では,新しい大規模多人数追跡データセットであるtexttPersonPath22を提案する。
MOT17、HiEve、MOT20などの高品質なマルチオブジェクト追跡データセットよりも桁違いに大きい。
論文 参考訳（メタデータ） (2022-11-03T23:03:13Z) - Hindsight is 20/20: Leveraging Past Traversals to Aid 3D Perception [59.2014692323323]
小さな、遠く、あるいは非常に隠蔽された物体は、検出するためのLiDAR点雲に限られた情報があるため、特に困難である。
本稿では,過去データから文脈情報を抽出する,エンドツーエンドのトレーニング可能な新しいフレームワークを提案する。
このフレームワークは現代のほとんどの3D検出アーキテクチャと互換性があり、複数の自律走行データセットの平均精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-03-22T00:58:27Z) - 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) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - Speak2Label: Using Domain Knowledge for Creating a Large Scale Driver
Gaze Zone Estimation Dataset [55.391532084304494]
ワイルド・データセットのドライバ・ゲイズには、夕方を含む1日の異なる時間に撮影された586の録音が含まれている。
ワイルド・データセットのドライバ・ゲイズには338人の被験者がおり、年齢は18-63歳である。
論文 参考訳（メタデータ） (2020-04-13T14:47:34Z)
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。