ParkScapes

Autonomous valet parking systems eliminae the need for human drivers to find parking slots, reducing the hassle associated with parking in congested areas. Fisheye imags provise valuable information over a large area instantaneously; nevertheless, no current dataset captures the complexity of parking scenes at the level of granularity required by real-world applications. To address this, we introduce ParkScapes, an fisheye image dataset with highly-accurate, fine-grained annotation for corner-based parking slot labeling. ParkScape provides annotation for 10,000 images, covering a variety of diverse scanarios, including shopping malls, industrial parks, and communities.

自动代客泊车系统（Autonomous Valet Parking）无需驾驶员自行寻找车位，可有效缓解拥堵区域泊车时的诸多不便。鱼眼图像（Fisheye Image）能够瞬时获取大范围场景的有效信息，但现有数据集均无法达到真实应用所需的粒度级别，以完整捕捉泊车场景的复杂特性。为此，我们推出了ParkScapes数据集——这是一款用于基于角点的车位标注任务的高精度细粒度鱼眼图像数据集。该数据集共包含10000张标注图像，涵盖购物中心、工业园区以及社区等多种多样化泊车场景。

原始信息汇总

数据集概述

数据集名称

• 名称: ParkScape
• 描述: 一个大规模的鱼眼图像数据集，用于停车场检测。

数据集内容

• 图像数量: 10,000张
• 场景覆盖: 包括购物中心、工业园区和社区等多种场景。
• 标注类型: 高精度、细粒度的角落基停车场标签。

数据集用途

• 目的: 用于自主代客泊车系统的开发，旨在减少人类驾驶员寻找停车位的麻烦。

数据集更新

• 最新更新: 2024/03/04
• 下载链接: ParkScape数据集下载

数据集使用

• 预安装:
  • Python 3.8
  • Pytorch 1.11.0
  • CUDA 11.3或更高版本
• 安装步骤:
  1. 克隆项目: git clone https://github.com/Vipermdl/ParkScape
  2. 安装项目: cd ParkScape && pip install -r requirements.txt

数据集评估

• 评估方法: 使用detect.py进行推理，需要下载模型权重。
• 训练细节: 在NVIDIA 3090 GPU上训练时间为2天，支持多GPU加速。

数据集结果

• 性能指标:

  方法	主干网络	AP_{50}	AP_{75}	AP	AP_{M}	FPS
  Our	CSPDarkNet53	55.1	50.9	47.0	48.1	54.05

贡献指南

• 贡献欢迎: 欢迎任何形式的贡献。
• 贡献者列表: 查看贡献者

联系方式

• 联系人: Dongliang Ma
• 邮箱: [e-mail]
• 项目链接: ParkScape项目主页

搜集汇总

数据集介绍

构建方式

在自动驾驶和智能停车系统的研究领域，现有的数据集往往无法满足实际应用中对停车场景复杂性的需求。为此，ParkScape数据集应运而生，其构建过程涉及对10,000张鱼眼图像进行精细标注，涵盖了购物中心、工业园区和社区等多种场景。通过高精度的角点标注，ParkScape为基于角点的停车槽检测提供了丰富的数据支持，确保了数据集在真实世界应用中的有效性。

特点

ParkScape数据集的显著特点在于其大规模和高精度的鱼眼图像标注，这使得它能够捕捉到停车场景中的细微差别。此外，数据集包含了多样化的场景，从繁忙的购物中心到宁静的社区，确保了训练模型的泛化能力。鱼眼图像的特性使得数据集在覆盖大面积区域时具有独特的优势，为自动驾驶和智能停车系统提供了宝贵的信息资源。

使用方法

使用ParkScape数据集进行研究或开发时，首先需下载数据集并安装必要的依赖项。通过提供的训练和推理脚本，用户可以轻松地进行模型训练和评估。数据集的多样性和高精度标注使其适用于各种基于深度学习的停车槽检测算法。此外，数据集的开放性鼓励了社区的参与和贡献，进一步推动了该领域的技术进步。

背景与挑战

背景概述

在自动驾驶和智能交通系统领域，自动代客泊车技术的发展旨在减少人类驾驶员在拥挤区域寻找停车位的困扰。鱼眼图像因其能够即时提供大面积信息而备受关注，然而，现有数据集在停车场景的复杂性和细节捕捉上仍显不足。为此，ParkScape数据集应运而生，由主要研究人员Fu, Li和Ma, Dongliang等人于2024年创建。该数据集包含10,000张高精度标注的鱼眼图像，涵盖购物中心、工业园区和社区等多种场景，专注于基于角落的停车位标注，极大地推动了停车场景检测技术的发展。

当前挑战

ParkScape数据集在构建过程中面临多项挑战。首先，鱼眼图像的畸变特性增加了标注的复杂性，需要高度精确的标注技术。其次，数据集需覆盖多种实际应用场景，确保模型的泛化能力。此外，高分辨率图像的处理和存储对计算资源提出了较高要求。在应用层面，如何有效利用该数据集提升停车场景检测的准确性和实时性，仍是一个亟待解决的问题。

常用场景

经典使用场景

在自动驾驶和智能交通系统领域，ParkScape数据集的经典使用场景主要集中在停车位的自动检测与识别。该数据集通过提供大量的高分辨率鱼眼图像，以及精细的停车位标注，为研究人员和工程师提供了一个标准化的测试平台。这些图像涵盖了从购物中心到工业园区等多种复杂场景，使得模型能够在多样化的环境中进行训练和验证，从而提高其在实际应用中的鲁棒性和准确性。

解决学术问题

ParkScape数据集解决了自动驾驶领域中一个关键的学术研究问题，即如何在复杂和多变的停车环境中准确检测停车位。传统的停车位检测方法往往依赖于标准摄像头，难以处理鱼眼镜头带来的畸变问题。ParkScape通过提供专门为鱼眼镜头设计的标注数据，填补了这一研究空白，推动了相关算法的发展，并为未来的自动驾驶技术提供了坚实的基础。

衍生相关工作

基于ParkScape数据集，许多相关的经典工作得以开展。例如，研究人员开发了多种基于深度学习的停车位检测算法，这些算法在数据集上进行了严格的测试和验证。此外，ParkScape还激发了对鱼眼镜头畸变校正和图像处理技术的研究，推动了计算机视觉领域在这一特定应用场景下的技术进步。这些衍生工作不仅丰富了学术研究，也为实际应用提供了技术储备。