有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
ADUULM-360|自动驾驶数据集|深度估计数据集
收藏arXiv2024-11-18 更新2024-11-20 收录
下载链接：
https://github.com/uulm-mrm/aduulm_360_dataset
下载链接
链接失效反馈资源简介：
ADUULM-360数据集是由乌尔姆大学测量、控制和微技术研究所创建的多模态深度估计数据集，旨在解决自动驾驶中的深度感知问题。该数据集包含约100万张摄像头图像、25万次激光雷达点云扫描和80万次雷达点云扫描，覆盖了从良好到恶劣的多种天气条件。数据集的创建过程包括传感器校准、数据处理和隐私保护措施，确保数据的高质量和可用性。该数据集主要应用于自动驾驶领域，特别是深度估计和环境感知，旨在提高自动驾驶系统在不同天气条件下的鲁棒性和准确性。
提供机构：
乌尔姆大学测量、控制和微技术研究所
创建时间：
2024-11-18
原始信息汇总
ADUULM-360 数据集
概述
- 名称: ADUULM-360 数据集
- 类型: 多模态数据集
- 应用: 深度估计
- 环境: 恶劣天气
发布信息
- 论文: ITSC 2024
- 状态: 数据集访问和基线模型源代码即将发布
AI搜集汇总
数据集介绍
构建方式
ADUULM-360数据集通过在德国乌尔姆市及其周边地区进行大规模数据采集构建而成。该数据集利用梅赛德斯-奔驰S级测试车辆上的多种传感器，包括前向立体摄像头、六环绕摄像头、两个高分辨率长距离激光雷达传感器和五个长距离雷达传感器，覆盖了车辆周围360度的环境。数据采集过程中，特别关注了不同天气条件下的场景多样性，包括晴天、雨天和雪天等。通过精确的传感器校准和数据处理，确保了数据的高质量和一致性。
特点
ADUULM-360数据集的显著特点在于其多模态和高多样性。该数据集不仅包含了多种传感器数据，还涵盖了从良好到恶劣的多种天气条件，为深度估计任务提供了丰富的训练和测试样本。此外，数据集还提供了详细的传感器校准信息和预处理后的数据，便于研究人员直接用于深度学习模型的训练和评估。
使用方法
研究人员可以使用ADUULM-360数据集进行自监督深度估计模型的训练和评估。数据集提供了三种基准任务：自监督单目深度估计、立体深度估计和全环绕深度估计。每种任务都有相应的训练和测试数据集，以及预训练的基线模型。通过这些资源，研究人员可以快速开展实验，评估和改进现有深度估计方法在不同天气条件下的性能。
背景与挑战
背景概述
ADUULM-360数据集是由德国乌尔姆大学测量、控制与微技术研究所的Markus Schön等人于2024年创建的，专注于在恶劣天气条件下进行深度估计的多模态数据集。该数据集整合了摄像头、激光雷达和雷达等多种传感器，覆盖了360度的车辆周围环境，并首次包含了多样化的天气条件，包括良好和恶劣天气。其核心研究问题在于解决现有深度估计数据集在场景多样性和传感器模态方面的不足，特别是在恶劣天气条件下的表现。ADUULM-360数据集的发布，为自动驾驶领域的深度估计研究提供了新的基准，推动了该领域在复杂环境下的技术进步。
当前挑战
ADUULM-360数据集在构建过程中面临多项挑战。首先，恶劣天气条件下的数据采集和处理是一个主要难题，因为传感器在恶劣天气下的性能会显著下降。其次，多模态数据的同步和校准也是一个复杂的过程，确保不同传感器数据之间的一致性是关键。此外，数据集的隐私保护也是一个重要问题，特别是在处理包含人脸和车牌等敏感信息的图像时。最后，现有的深度估计方法在恶劣天气条件下的表现仍然有限，如何提升这些方法在复杂环境中的鲁棒性和准确性是未来研究的重要方向。
常用场景
经典使用场景
在自动驾驶领域，ADUULM-360数据集的经典应用场景主要集中在深度估计任务上。该数据集通过整合多种传感器数据，包括摄像头、激光雷达和雷达，为深度估计提供了丰富的多模态信息。特别是在恶劣天气条件下，ADUULM-360数据集展示了其在自监督深度估计方法中的重要性，通过立体视觉训练和全环绕视图训练，显著提升了模型在复杂环境中的表现。
衍生相关工作
ADUULM-360数据集的发布激发了一系列相关研究工作。例如，基于该数据集的深度估计方法研究不仅提升了模型在恶劣天气条件下的表现，还推动了全环绕深度估计技术的发展。此外，ADUULM-360数据集的多模态数据处理和传感器校准方法也为其他多传感器融合研究提供了参考。这些衍生工作进一步扩展了ADUULM-360数据集的应用范围和影响力。
数据集最近研究
最新研究方向
在自动驾驶领域，深度估计作为实现全面场景理解的关键任务，近年来备受关注。然而，现有的深度估计数据集在场景多样性和传感器模态方面存在局限。ADUULM-360数据集的引入填补了这一空白，该数据集不仅涵盖了传统的摄像头、激光雷达和雷达传感器，还首次包含了在良好和恶劣天气条件下的多样化场景。研究者们通过在不同训练任务下使用最先进的自监督深度估计方法进行广泛实验，揭示了现有方法在恶劣天气条件下的普遍局限性。这些发现不仅为未来的研究提供了方向，还强调了在真实世界恶劣天气条件下进行深度估计的挑战，预示着该领域未来的研究将更加关注于提升模型在复杂环境中的鲁棒性和准确性。
相关研究论文
- 1The ADUULM-360 Dataset -- A Multi-Modal Dataset for Depth Estimation in Adverse Weather乌尔姆大学测量、控制和微技术研究所 · 2024年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
URPC系列数据集, S-URPC2019, UDD
URPC系列数据集包括URPC2017至URPC2020DL，主要用于水下目标的检测和分类。S-URPC2019专注于水下环境的特定检测任务。UDD数据集信息未在README中详细描述。
github 收录
中国交通事故深度调查（CIDAS）数据集
交通事故深度调查数据通过采用科学系统方法现场调查中国道路上实际发生交通事故相关的道路环境、道路交通行为、车辆损坏、人员损伤信息，以探究碰撞事故中车损和人伤机理。目前已积累深度调查事故10000余例，单个案例信息包含人、车 、路和环境多维信息组成的3000多个字段。该数据集可作为深入分析中国道路交通事故工况特征，探索事故预防和损伤防护措施的关键数据源，为制定汽车安全法规和标准、完善汽车测评试验规程、
北方大数据交易中心 收录
Sleep
该数据集包含关于睡眠效率和持续时间的信息，每个条目代表一个独特的睡眠体验，并包括ID、年龄、性别、睡眠持续时间、睡眠效率、REM睡眠百分比、深度睡眠百分比、轻度睡眠百分比、觉醒次数、咖啡因消费、酒精消费和吸烟状况等列。
github 收录
中国逐日降水数据集（1961-2022，0.1°/0.25°/0.5°）
CHM_PRE数据集基于中国境内及周边1961至今共2839个站点的日降水观测，在传统的“降水背景场 + 降水比值场”的数据集构建思路上，尝试应用月值降水约束和地形特征校正，并依据中国范围内约4万个高密度站点2015–2019年的日降水量插值后数据进行精度评价。经评估认为，CHM_PRE可以较好的表征降水的空间变异性，其日值时间序列与高密度站点日值降水观测结果之间的相关系数中位数为0.78，均方根误差中位数为8.8 mm/d，KGE值中位数为0.69，与目前常用的降水数据集（CGDPA、CN05.1、CMA V2.0）有很好的一致性。 数据集的时间范围为1961年至今，空间分辨率为0.1°、0.25°和0.5°，经纬度范围为18°N–54°N, 72°E–136°E。
国家青藏高原科学数据中心 收录
Traditional-Chinese-Medicine-Dataset-SFT
该数据集是一个高质量的中医数据集，主要由非网络来源的内部数据构成，包含约1GB的中医各个领域临床案例、名家典籍、医学百科、名词解释等优质内容。数据集99%为简体中文内容，质量优异，信息密度可观。数据集适用于预训练或继续预训练用途，未来将继续发布针对SFT/IFT的多轮对话和问答数据集。数据集可以独立使用，但建议先使用配套的预训练数据集对模型进行继续预训练后，再使用该数据集进行进一步的指令微调。数据集还包含一定比例的中文常识、中文多轮对话数据以及古文/文言文<->现代文翻译数据，以避免灾难性遗忘并加强模型表现。
huggingface 收录