详解KITTI数据集
详解KITTI数据集
一、KITTI数据集发布方
2011年,Andreas Geiger(KIT)、Philip Lenz(KIT)、Raquel Urtasun(TTIC)三位年轻人发现,阻碍视觉感知系统在自动驾驶领域应用的主要原因之一,是缺乏合适的benchmark。而现有的数据集无论是在数据量,还是采集环境上都与实际需求相差甚远。于是他们利用自己的自动驾驶平台,建立起庞大的基于真实场景下的数据集,以此推动计算机视觉和机器人算法在自动驾驶领域的发展。这便是KITTI数据集的诞生背景。
二、KITTI数据集介绍
KITTI数据集是一个用于自动驾驶场景下的计算机视觉算法测评数据集,由德国卡尔斯鲁厄理工学院(KIT)和丰田工业大学芝加哥分校(TTIC)共同创立。
包含场景:市区、乡村和高速公路
数据集组成:
立体图像和光流图: 389对
视觉测距序列: 39.2 km
3D标注物体的图像组成: 超过200k
采样频率: 10Hz
3D物体检测类别: car, van, truck, pedestrian, pedestrian(sitting), cyclist, tram, misc
三、KITTI数据采集平台
KITTI数据集的数据采集平台装配有1个惯性导航系统,1个64线3D激光雷达,2个灰度摄像机,2个彩色摄像机,以及4个光学镜头。具体的传感器参数如下:
全球定位及惯性导航系统(GPS/IMU): OXTS RT 3003 ×1 (open sky localization errors < 5 cm)
3D 64线激光雷达: Velodyne HDL-64E ×1 (10 Hz, 64 laser beams,range: 100 m)
灰度摄像机: Point Grey Flea 2 (FL2-14S3M-C) ×2 (10 Hz,resolution: 1392×512 pixels, opening: 90◦ ×35◦),
彩色摄像机: Point Grey Flea 2 (FL2-14S3C-C) ×2 (10 Hz,resolution: 1392×512 pixels, opening: 90◦×35◦),
光学镜头(4-8 mm): Edmund Optics NT59-917 ×4
传感器的配置平面图如下:
规定坐标系方向如下:
Camera: x = right, y = down, z = forward
Velodyne: x = forward, y = left, z = up
GPS/IMU: x = forward, y = left, z = up
四、KITTI数据集的Benchmark介绍
KITTI数据集主要有以下Benchmark:
- stereo 2015/flow 2015 / scene flow
由200个训练场景和200个测试场景构成,每个场景的图片都有4种颜色,以png格式保存。
Stereo:主要利用双目摄像头采集的信息,得出图像的立体视觉和三维重建
Flow:通过检测图像像素点的强度随时间的变化,推断出物体移动速度及方向
Sceneflow:在flow的基础上,增加第三维信息
- depth
包含超过93000张深度图以及相应的原始LiDaR扫描和RGB图像,主要用于视觉深度评估任务。
- odometry
视觉里程计,由22个立体声序列组成,其中,11个序列(00-10)带有真值,可用于训练;11个序列(11-21)没有真值,可用于评估。该数据集主要用于进行视觉测程算法, 根据帧与帧之间的图片的不同,推算出车的行驶距离以及行驶轨迹等数据。
- object
包括2D,3D和鸟瞰视角3种方式的benchmark,由7481张训练图像和7518张测试图像组成,总共有80,256个带标签的对象,可用于进行目标检测任务。
- tracking
由21个训练序列和29个测试序列组成,主要用于验证无人驾驶中有关目标跟踪的算法。
- road
包括289个训练图像和290个测试图像,用于进行道路分割任务。
获取地址:https://gas.graviti.cn/dataset/hello-dataset/KITTIRoad
- semantics
由200张带有语义分割标注的训练图像和200张对应于stereo 2015和flow2015的测试图像组成,可用于进行语义分割实例分割任务。
- raw data
展现了Kitti数据集的典型样本,包含类别: ‘City’, ‘Residential’, ‘Road’, ‘Campus’, ‘Person’。
详解KITTI数据集相关推荐
- 详解 MNIST 数据集
MNIST 数据集已经是一个被"嚼烂"了的数据集, 很多教程都会对它"下手", 几乎成为一个 "典范". 不过有些人可能对它还不是很了解, ...
- 【实际操作】DenseFusion复现过程详解-YCB-Video数据集
DenseFusion系列代码全讲解目录:[DenseFusion系列目录]代码全讲解+可视化+计算评估指标_Panpanpan!的博客-CSDN博客 这些内容均为个人学习记录,欢迎大家提出错误一起讨 ...
- Netflix Prize数据集详解及数据集下载链接
Netflix数据集包含了1999.12.31-2005.12.31期间匿名客户提供的超过一亿部电影平级.这个数据集大约给出了480189个用户和17770部电影评级.数据集中的详细信息如下图所示: ...
- KITTI数据集(概念版)
一.参考资料 KITTI 官网 kitti数据集各个榜单介绍 自动驾驶KITTI数据集详解 KITTI数据集简介与使用 kitti数据集各个榜单介绍 KITTI数据集介绍 KITTI数据集简介(一) ...
- 全卷积神经网路【U-net项目实战】LUNA 2016 数据集详解
文章目录 1.LUNA 2016 数据集详解 2.mdh数据格式详解 3.python读取mdh的方法 4.annotations.csv坐标转换 5.LUNA16数据集肺结节显示 1.LUNA 20 ...
- LUNA 2016 数据集详解
LUNA 2016 数据集详解 LUNA16数据集的由来 LUNA 2016 数据集来自2016年LUng Nodule Analysis比赛,这里是其官方网站. LUNA16数据集是最大公用肺结节数 ...
- ILSVRC2015_VID数据集详解
数据集下载地址:http://bvisionweb1.cs.unc.edu/ilsvrc2015/ILSVRC2015_VID.tar.gz 总说: 数据集包括3862 snippets用于训练,55 ...
- tensorflow入门数据集:mnist详解
文章目录 python处理二进制 mnist介绍 mnist显示 方法一:读取解压后的原始文件 方法二:使用TensorFlow封装代码读取 需求一:同时显示图片和标签,验证图片和标签一一对应 需求二 ...
- BraTS数据集处理详解(附代码详解)
代码参考:https://github.com/sinclairjang/3D-MRI-brain-tumor-segmentation-using-autoencoder-regularizatio ...
- MSCOCO数据标注详解
参考: cocodataset/cocoapi philferriere/cocoapi- support Windows build and python3 COCO 标注详解 COCO数据集ann ...
最新文章
- c运行库、c标准库、windows API的区别和联系
- WEB前端 javascript、php关键字搜索函数的使用方法
- IntelliJ IDEA 连接数据库 详细过程
- hazelcast 使用_使用HazelCast进行Hibernate缓存:JPA缓存基础知识
- Java Secret:加载和卸载静态字段
- 获取请求的url java_Java获取此次请求URL以及服务器根路径的方法
- 算法选择_快速筛出topK的快速选择算法
- 设为首页/加入收藏代码
- 常用ajax调用方法,web前端之4种常用的Ajax请求方式
- CAD迷你看图v4.4.3 for Mac 小巧而全面的CAD看图工具
- 2023年厦门大学应用统计专硕考研上岸经验分享
- Windows 10 21H1开启关闭卓越模式
- windows7桌面计算机作用,win7系统虚拟桌面功能的详细教程
- (C#)基于百度api实现经纬度查询地址
- 无需更改注册表 实现CHM文件从共享文件中直接打开
- ul,li动态获取数据库数据并输出
- 回归- Regression
- 保姆级教程:最新下载及安装vscode(含常用插件)
- VUE 通过ref 控制滚动条到底部顶部
- 1.IEC 62056-21 E模式通信