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
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。
国家青藏高原科学数据中心 收录
日食计算器
此日食计算器能够查询公元前3000至后3000年范围内的日食信息，生成每次日食的覆盖区、中心区范围数据，展示日食带的地图；并可根据用户在地图上点击的坐标在线计算该地日食各阶段时间、食分等观测信息。
国家天文科学数据中心 收录
giovannidemuri__sharegpt-ex50000-seed5_llama8b-er-v573-seed2-hx_256_ngt0.7_tp0.9
该数据集包含了用户与助手之间的对话，其中包含两个字段：用户发言和助手回应，均为字符串类型。训练集大小为38646852字节，共有44096条对话记录。
huggingface 收录
THCHS-30
“THCHS30是由清华大学语音与语言技术中心（CSLT）发布的开放式汉语语音数据库。原始录音是2002年在清华大学国家重点实验室的朱晓燕教授的指导下，由王东完成的。清华大学计算机科学系智能与系统，原名“TCMSD”，意思是“清华连续普通话语音数据库”，时隔13年出版，由王东博士发起，并得到了教授的支持。朱小燕。我们希望为语音识别领域的新研究人员提供一个玩具数据库。因此，该数据库对学术用户完全免费。整个软件包包含建立中文语音识别所需的全套语音和语言资源系统。”
OpenDataLab 收录
CODrone
CODrone 是一个为无人机设计的全面定向目标检测数据集，它准确反映了真实世界条件。该数据集包含来自多个城市在不同光照条件下的广泛标注图像，增强了基准的逼真度。CODrone 包含超过 10,000 张高分辨率图像，捕获自五个城市的真实无人机飞行，涵盖了各种城市和工业环境，包括港口和码头。为了提高鲁棒性和泛化能力，它包括在正常光线、低光和夜间条件下相同场景的图像。我们采用了三种飞行高度和两种常用的相机角度，从而产生了六个不同的视角配置。所有图像都针对 12 个常见对象类别进行了定向边界框标注，总计超过 590,000 个标记实例。总体而言，这项工作构建了一个综合数据集和基准，用于城市无人机场景中的定向目标检测，旨在满足该领域的研究和实践应用需求。
arXiv 收录