本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。

• 論文鏈接：https://arxiv.org/pdf/2309.06547.pdf
• 數據集鏈接：http://amodalsynthdrive.cs.uni-freiburg.de

摘要

本文介紹了AmodalSynthDrive：一個用于自動駕駛的合成非模態(tài)感知數據集。與人類不同，即使在部分遮擋的情況下，人類也可以毫不費力地估計物體的整體，而現代計算機視覺算法仍然發(fā)現這一方面極具挑戰(zhàn)性。由于缺乏合適的數據集，利用這種非模態(tài)感知進行自動駕駛在很大程度上仍未得到開發(fā)。這些數據集的生成主要受到昂貴標注成本的影響，以及需要減輕標注者在準確標注遮擋區(qū)域的主觀性帶來的干擾。為了解決這些限制，本文引入了AmodalSynthDrive，這是一種合成的多任務非模態(tài)感知數據集。該數據集提供了150個駕駛序列的多視圖相機圖像、3D邊界框、激光雷達數據和里程計，其包括了在各種交通、天氣和光照條件下超過1M的目標標注。AmodalSynthDrive支持多種非模態(tài)場景理解任務，包括引入的非模態(tài)深度估計用于增強空間理解。本文為每項任務評估若干基線，以說明挑戰(zhàn)并且設置公開基準服務器。

主要貢獻

本文的貢獻總結如下：

1）本文提出了AmodalSynthDrive數據集，這是一種針對城市駕駛場景的全面合成非模態(tài)感知數據集，具有多種數據來源；

2）本文提出了針對非模態(tài)感知任務的基準，即非模態(tài)語義分割、非模態(tài)實例分割和非模態(tài)全景分割；

3）新型的非模態(tài)深度估計任務旨在促進增強空間理解。本文通過若干基線證明了這項新任務的可行性。

論文圖片和表格

總結

感知是自動駕駛汽車的一項關鍵任務，但是目前的方法仍然缺少對復雜交通場景解釋所需的非模態(tài)理解。為此，本文提出了AmodalSynthDrive，這是一個用于自動駕駛的多模態(tài)合成感知數據集。通過合成的圖像和激光雷達點云，我們提供了一個全面的數據集，其包括用于基本非模態(tài)感知任務的真值標注數據，同時還引入一種新的任務來增強空間理解，稱為非模態(tài)深度估計。本文提供了超過60000個單獨的圖像集，每個圖像集與非模態(tài)實例分割、非模態(tài)語義分割、非模態(tài)全景分割、光流、2D&3D邊界框、非模態(tài)深度以及鳥瞰圖相關。通過AmodalSynthDrive，本文提供了各種基線，并且相信這項工作將為動態(tài)城市環(huán)境的非模態(tài)場景理解的新型研究鋪平道路。

原文鏈接：https://mp.weixin.qq.com/s/7cXqFbMoljcs6dQOLU3SAQ