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 ...

Rope3d数据集分析

Rope3d数据集分析相关推荐

最新文章

热门文章