Rope3d数据集分析
建议看给的链接里的内容,下面的都是自己的一些理解,会有不准确的地方,欢迎批评指正。
这些数据集还不太会使用,希望大佬们提出宝贵的意见。
---------------------------------------------------------------------------------------------------------------------------------
一、链接
数据集文献:https://openaccess.thecvf.com/content/CVPR2022/html/Ye_Rope3D_The_Roadside_Perception_Dataset_for_Autonomous_Driving_and_Monocular_CVPR_2022_paper.html
数据集:
https://thudair.baai.ac.cn/rope
处理数据集(开发代码):
GitHub - liyingying0113/rope3d-dataset-tools
参考:
DAIR-V2X车路协同数据集 (baai.ac.cn)
这个链接里讲的很细,我就不复制粘贴了,就只记录一下自己的感悟吧~
二、数据集整体内容
如下图所示(原图见DAIR-V2X车路协同数据集 (baai.ac.cn)):
三、关于数据集,我的理解
看了数据集文献之后,大致能知道每个数据讲的是什么了。
training和validation的格式都一样,都是KITTI格式。
1.calib (calibration)---基础设施相机固有参数
格式如下:
P2: 2188.969252 0.000000 982.541072 0 0.000000 2334.065991 530.992877 0 0.000000 0.000000 1.000000 0
从mmdetection3d的说明文档里看到:
为什么要有这个投影矩阵呢?
文献中3.1的Coordinate Systems and Calibration里是这样说的:
直译:
数据集中使用了三种坐标系统:世界坐标(即通用横向墨卡托坐标系(UTM坐标))、摄像机坐标以及激光雷达坐标。
为了获得可靠的地真度2D-3D联合标注,需要不同传感器之间的标定(calibration)。
首先,对Camera进行标定,通过检测棋盘图获得本征(intrinsics),
然后由车辆定位模块进行Lidar-to-World的标定,在UTM Coord中获得高清地图。在World-to-Camera的标定中,我们首先将包含车道和人行横道端点的高清地图投影到2D图像上,获得原始变换。随后进行束调整细化,以获得最终的转换。
然后通过简单地乘以lidar-to-World和World-to-Camera的转换就可以得到Lidar-to-Camera的转换。
在得到三个坐标系之间的变换后,我们可以通过将接地点[x,y,z](ground point)拟合到摄像机坐标中的接地平面(ground plane),即αx+βy+γz+ d= 0,轻松计算出接地方程G(α, β, γ, d).
看下图方便理解:
图中介绍的直译:
图3。数据采集和标记pipeline。我们的平台将捕获的路边图像和安装在停放/行驶车辆上的激光雷达扫描的点云作为输入。通过各种传感器之间的标定(calibration)和对齐,得到LiDAR、World和Camera之间的变换,以及地平面方程和本征。2D-3D联合标注是通过将点云投影到图像上并手动调整3D边界框以适应2D实例来实现的。对于未被激光扫描的物体,只对图像进行二维补充标记。例如,在(d)中,一些对象只有白色的2D边界框,没有3D彩色注释,因为缺乏3D点。
2.denorm
以相机坐标表示地面位置。
格式:
0.008187128 -0.975265 -0.2208872 7.23388195038
我理解的是接地方程的解G(α, β, γ, d)。
3.depth
深度图的大小和image里图像的大小是一样的,文献中说3Dobject分布在10~140m,大多数在60~80 m。
depth样例如下图:
文中还提到了一个深度图的用法,是在介绍单目3D单目检测时提到的,是利用现成的深度估计器把图像像素转换成伪雷达点云。
4.extrinsics
从基础设施相机坐标系到世界坐标系的外在矩阵,yaml文件,格式如下图所示:
child_frame_id: camera1
header:
frame_id: world
seq: 0
stamp:
nsecs: 0
secs: 0
matched_points: 0
points_ground_coffe:
- 461658.6658612792
- 4406589.451878548
- 14.95037841796875
.
.
.
transform:
rotation:
w: -0.1692714123924695
x: 0.2125247456622584
y: -0.7510155914854161
z: 0.6017939869869603
translation:
x: 461628.1622675338
y: 4406614.309054163
z: 21.98328398585188
中间省去了将近9000个数,格式与- 14.95037841796875相同
5.image—2
由不同传感器拍摄的图片:
6.label——2
kitti格式的标签,样例如下:
trafficcone 0 0 2.8233288222806237 1615.88208 349.272003 1628.89624 383.210327 0.709856 0.301356 0.162486 16.0145106961 -4.08680757179 51.3620837615 3.12557252261
标注格式介绍:
类别里除了上述的,还有trafficcone,unknown_unmovable,unknown_movable,triangle plate。
7.train.txt
本文件里面写的主要是图片的名称
格式如下:
145418_fa2sd4a13W152AIR_420_1626246966_1626246983_18_obstacle
1901_fa2sd4adatasetf328h9k14camera151_420_1629886829_1629887126_257_obstacle
1784_fa2sd4adatasetWest152_420_1621245269_1621245419_37_obstacle
1679_fa2sd4adatasetNorth151_420_1616056928_1616057233_186_obstacle
Rope3d数据集分析相关推荐
- 五十三、爱彼迎数据集分析建模
爱彼迎数据集分析建模为本专栏的Python数据分析案例. 因为文件比较大,所以保存了百度云 链接:https://pan.baidu.com/s/1geUgsLejvpTKgBmcSMSIdQ 提取码 ...
- 【Python数据挖掘课程】四.决策树DTC数据分析及鸢尾数据集分析
今天主要讲述的内容是关于决策树的知识,主要包括以下内容: 1.分类及决策树算法介绍 2.鸢尾花卉数据集介绍 3.决策树实现鸢尾数据集分析 ...
- 阿里天池:Airbnb短租房数据集分析
阿里天池:Airbnb短租数据集分析 1.项目介绍 2.字段介绍 3.分析目的和思路 4.模块导入与数据读取 5.探索性分析 (一)整体分析 (二)按区域划分 (三)按房型划分 1.项目介绍 数据来源 ...
- sklearn基础篇(三)-- 鸢尾花(iris)数据集分析和分类
后面对Sklearn的学习主要以<Python机器学习基础教程>和<机器学习实战基于scikit-learn和tensorflow>,两本互为补充进行学习,下面是开篇的学习内容 ...
- 红酒、白酒数据集分析——案例(1)
详见:red_white_wine_quality数据集分析 (一)数据集概览 有两个样本: winequality-red.csv:红葡萄酒样本 red-wine 数据集 winequality-w ...
- 基于连续小波变换的厄尔尼诺海平面周期变化数据集分析
基于连续小波变换的厄尔尼诺海平面周期变化数据集分析 1. 厄尔尼诺海平面周期变化数据集介绍 2. 基于连续小波变换的信号分析 2.1 原始信号读取可视化 2.2 傅里叶变换结果可视化 2.3 小波变换 ...
- PASCAL VOC数据集分析(分类部分)
PASCAL VOC数据集分析 PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集,从2005年到2012年每年都会举行一场图像识别challenge. 每一年都有自己的数据集.pa ...
- NBA球星生涯数据集分析
源码链接: https://download.csdn.net/download/qq_58012062/87541713?spm=1001.2014.3001.5501 数据提取:链接:https: ...
- L:python的Pandas模块:实例练习(泰坦尼克号数据集分析,电影票房统计,股票基本面统计)
实例练习 泰坦尼克号数据集分析 使用Seaborn库中包含的titanic数据集进行一些数据统计. Seaborn是一个图形库,Anaconda已包含此库.数据集参见: https://github. ...
- IEMOCAP数据集分析
IEMOCAP数据集分析 论文:IEMOCAP: Interactive emotional dyadic motion capture database 作者:Carlos Busso, Murta ...
最新文章
- Python基础教程:字典(当索引不好用时)
- axios post传递对象_axios的post传参时,将参数转为form表单格式
- 贷款为什么要查看征信?
- Oracle 11g的安装详细过程
- ajax常见的status状态码
- 人工智能这么火,可你真的会用 TensorFlow?
- qt opengl 2d绘图效率_Qt趣味开发之打造一个3D名字渲染小工具
- 如何使用Tuxera NTFS for Mac将FAT 32U盘转换为NTFS格式
- matlab汉明窗dft,谱分析中窗的选取
- 解决win10没Wifi功能了,无线网卡驱动异常代码56的问题
- ubuntu20.04中安装划词翻译_支持语音录入翻译的小爱同学鼠标让智能设备控制一手掌握...
- 小程序客服消息推送公众号文章 引导关注公众号的操作方法
- iVMS-4200 Vs区别_异地恋 VS 网恋,哪个更难坚持到最后?| Newth互动158
- Android 面经【持续更新.....】
- IE6不能直接打开下载的文件的解决办法
- Java开源电商项目比較
- OpenCV进行视频拼接
- 华为管理学案例分析_以华为为案例分析KPI管理系统
- java坦克大战总体功能设计_Java编程:坦克大战游戏的设计
- JavaSE基础篇 | super关键字
热门文章
- phpnow mysql_phpnow重新安装mysql数据库的方法
- java路径的上一级_java路径两种写法/和\\以及 ./和../以及/之间的区别?
- 信号与系统(十八)——傅里叶变换及性质(2)
- 小故事分解区块链--科普篇
- 【网络教程】Windows10如何开启/关闭启动快速启动,解决启动快速启动按钮灰色不可设定
- 方差及常见分布的方差计算与推导
- 计算机文件夹加密文件,电脑上怎么创建加密文件夹?三种方法教给你
- STM32 汉字库+ascii字库 存放到 flash中
- (转)CSS实现一个会旋转的太极图案
- 手写原笔迹输入_原笔迹真实展现 E人E本 M1手写功能体验