論文の概要: DriveOSS: Dataset and Benchmark for 3D Anomaly Segmentation and Open-set Semantic Segmentation in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2610.32612v1
- Date: Fri, 23 Oct 2026 13:33:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.528596
- Title: DriveOSS: Dataset and Benchmark for 3D Anomaly Segmentation and Open-set Semantic Segmentation in Autonomous Driving
- Title（参考訳）: DriveOSS: 自律運転における3次元異常セグメンテーションとオープンセットセマンティックセグメンテーションのためのデータセットとベンチマーク
- Abstract要約: DriveOSSは3Dの異常セグメンテーションとオープンセットセマンティックセグメンテーションのために特別に設計された、世界初の実世界のマルチモーダルデータセットとベンチマークである。
6台のサラウンドビューRGBカメラと128ビームのLiDAR、GPS/IMUユニットで撮影された12,661個の同期および注釈付きフレームを含んでいる。
このデータセットは、晴れ、夜間、曇り、雨、雪の条件下で収集された52の現実世界の運転シーンで構成されている。
- 参考スコア（独自算出の注目度）: 3.975385862099456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in 3D semantic segmentation have significantly improved scene understanding in autonomous driving. However, existing methods are typically developed under a closed-set assumption and evaluated under standard driving conditions, where all categories are known in advance. In real-world driving, autonomous vehicles inevitably encounter previously unseen objects, making closed-set perception insufficient for safe deployment. To address this challenge, we introduce DriveOSS, which, to the best of our knowledge, is the first real-world multimodal dataset and benchmark specifically designed for 3D anomaly segmentation and open-set semantic segmentation. It contains 12,661 synchronized and annotated frames captured using six surround-view RGB cameras, a 128-beam LiDAR, and a GPS/IMU unit. The dataset comprises 52 real-world driving scenes collected under clear, nighttime, cloudy, rainy, and snowy conditions and is organized into ID (in-distribution) and OOD (out-of-distribution) subsets. The ID scenes contain only known classes and are used for training, whereas the OOD scenes additionally contain unknown objects annotated as the outlier class and are used for validation and testing. Extensive experiments show that unseen objects remain a major challenge for current 3D perception systems. The dataset, benchmark protocols, and code are available at https://github.com/chrisyan/DriveOSS.
- Abstract（参考訳）: 3次元セマンティックセグメンテーションの最近の進歩は、自律運転におけるシーン理解を著しく改善した。
しかし、既存の手法は一般にクローズドセットの仮定の下で開発され、すべてのカテゴリが事前に知られている標準的な運転条件下で評価される。
現実の運転では、自動運転車は必然的に未確認の物体に遭遇し、安全な配置にはクローズドセットの認識が不十分である。
この課題に対処するため、私たちはDriveOSSを紹介します。これは私たちの知る限り、3Dの異常セグメンテーションとオープンセットセマンティックセグメンテーションのために特別に設計された、世界初の実世界のマルチモーダルデータセットとベンチマークです。
6台のサラウンドビューRGBカメラと128ビームのLiDAR、GPS/IMUユニットで撮影された12,661個の同期および注釈付きフレームを含んでいる。
データセットは、晴れ、夜間、曇り、雨、雪の条件下で収集された52の現実世界の運転シーンで構成され、ID(分布内)とOOD(分布外)サブセットで構成されている。
IDシーンは、既知のクラスのみを含み、トレーニングに使用されるのに対し、OODシーンは、外れ値クラスとして注釈付けされ、検証とテストに使用される未知のオブジェクトを含む。
大規模な実験により、現在の3D知覚システムでは、目に見えない物体が大きな課題であることがわかった。
データセット、ベンチマークプロトコル、コードはhttps://github.com/chrisyan/DriveOSS.orgで公開されている。
関連論文リスト
- Spotting the Unexpected (STU): A 3D LiDAR Dataset for Anomaly Segmentation in Autonomous Driving [14.403130104985557]
本稿では,運転シナリオにおける異常セグメンテーションのための新しいデータセットを提案する。
これは、密集した3Dセマンティックラベリングによる道路異常セグメンテーションに焦点を当てた初めての公開データセットである。
データセットと評価コードは公開され、さまざまなアプローチのテストとパフォーマンスの比較が容易になります。
論文 参考訳（メタデータ） (2025-05-04T15:15:35Z) - Point Cloud Based Scene Segmentation: A Survey [3.0846824529023387]
本稿では、自律運転のためのポイントクラウドセマンティックス分野における最先端手法の概要について述べる。
提案手法はプロジェクションベース,3Dベース,ハイブリッドに分類する。
また,実世界のデータに制限がある場合,研究を支援するための合成データの重要性も強調する。
論文 参考訳（メタデータ） (2025-03-16T18:02:41Z) - SSCBench: A Large-Scale 3D Semantic Scene Completion Benchmark for Autonomous Driving [87.8761593366609]
SSCBenchは、広く使用されている自動車データセットのシーンを統合するベンチマークである。
我々は、単眼、三眼、クラウド入力を用いて、性能ギャップを評価するモデルをベンチマークする。
クロスドメインの一般化テストを簡単にするために、さまざまなデータセットにまたがったセマンティックラベルを統一しています。
論文 参考訳（メタデータ） (2023-06-15T09:56:33Z) - SUPS: A Simulated Underground Parking Scenario Dataset for Autonomous
Driving [41.221988979184665]
SUPSは地下自動駐車のシミュレーションデータセットである。
複数のセンサーと連続したイメージに合わせた複数のセマンティックラベルを備えた複数のタスクをサポートする。
また、我々のデータセット上で、最先端のSLAMアルゴリズムと知覚モデルを評価する。
論文 参考訳（メタデータ） (2023-02-25T02:59:12Z) - Ithaca365: Dataset and Driving Perception under Repeated and Challenging
Weather Conditions [0.0]
我々は、新しいデータ収集プロセスを通じて、堅牢な自律運転を可能にする新しいデータセットを提案する。
データセットには、高精度GPS/INSとともに、カメラとLiDARセンサーからの画像と点雲が含まれている。
道路・オブジェクトのアモーダルセグメンテーションにおけるベースラインの性能を解析することにより,このデータセットの特異性を実証する。
論文 参考訳（メタデータ） (2022-08-01T22:55:32Z) - Rope3D: TheRoadside Perception Dataset for Autonomous Driving and
Monocular 3D Object Detection Task [48.555440807415664]
道路沿いの知覚3Dデータセットに挑戦する最初のハイダイバーシティを提示する。
データセットは50Kイメージと、さまざまなシーンで1.5M以上の3Dオブジェクトで構成されている。
本稿では,様々なセンサや視点によって引き起こされるあいまいさを解決するために,幾何学的制約を活用することを提案する。
論文 参考訳（メタデータ） (2022-03-25T12:13:23Z) - CODA: A Real-World Road Corner Case Dataset for Object Detection in
Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。
大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。
我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文 参考訳（メタデータ） (2022-03-15T08:32:56Z) - 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) - Video Class Agnostic Segmentation Benchmark for Autonomous Driving [13.312978643938202]
特定の安全クリティカルなロボティクスアプリケーションでは、トレーニング時に未知のものを含むすべてのオブジェクトを分割することが重要です。
自律運転における単眼ビデオシーケンスから未知の物体を考慮に入れたビデオクラスセグメンテーションのタスクを定式化する。
論文 参考訳（メタデータ） (2021-03-19T20:41:40Z) - Monocular Quasi-Dense 3D Object Tracking [99.51683944057191]
周囲の物体の将来の位置を予測し、自律運転などの多くのアプリケーションで観測者の行動を計画するためには、信頼性と正確な3D追跡フレームワークが不可欠である。
移動プラットフォーム上で撮影された2次元画像のシーケンスから,移動物体を時間とともに効果的に関連付け,その全3次元バウンディングボックス情報を推定するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-12T15:30:02Z)
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。