遇见数据集

ai4ce/OCFBench

收藏
Hugging Face2024-10-07 更新2024-03-04 收录
官方服务:

资源简介:

--- license: cc-by-nc-sa-4.0 language: - en pretty_name: OCFBench size_categories: - 10K<n<100K --- # Dataset Card for OCFBench [[Paper]](https://arxiv.org/abs/2310.11239) [[Code]](https://github.com/ai4ce/Occ4cast/) [[Website]](https://ai4ce.github.io/Occ4cast/) <!-- Provide a quick summary of the dataset. --> The OCFBench dataset is curated in the paper [**Occ4cast: LiDAR-based 4D Occupancy Completion and Forecasting**](https://arxiv.org/abs/2310.11239). The dataset is processed from public autonomous driving data to support the training and evaluation of the novel **occupancy completion and forecasting (OCF)** task. # Uses Please download each `.sqf` file from individual directories and mount them to local system for usage. For larger files that are splited into several parts, please run the following code to merge the parts before mounting: ``` cat output_prefix_* > merged.sqf ``` Please refer to our [GitHub repository](https://github.com/ai4ce/Occ4cast/) for dataset structure and loading details. ## Citation <!-- If there is a paper or blog post introducing the dataset, the APA and Bibtex information for that should go in this section. --> **BibTeX:** ``` @article{Liu2023occ4cast, title={LiDAR-based 4D Occupancy Completion and Forecasting}, author={Xinhao Liu and Moonjun Gong and Qi Fang and Haoyu Xie and Yiming Li and Hang Zhao and Chen Feng}, journal={arXiv preprint arXiv:2310.11239}, year={2023} } ```

license: 知识共享署名-非商业性使用-相同方式共享4.0(CC BY-NC-SA 4.0)协议 language: - 英语 pretty_name: OCFBench size_categories: - 10000 < 样本量 < 100000 --- # OCFBench数据集卡片 [[论文]](https://arxiv.org/abs/2310.11239) [[代码]](https://github.com/ai4ce/Occ4cast/) [[官网]](https://ai4ce.github.io/Occ4cast/) <!-- 提供数据集的简要概述。 --> OCFBench数据集由论文《**Occ4cast:基于激光雷达(LiDAR)的4D占用补全与预测**》整理构建。该数据集源自公开自动驾驶场景数据,经预处理后可用于支撑新型**占用补全与预测(occupancy completion and forecasting, OCF)**任务的训练与评估。 # 使用方法 请从各子目录中下载所有`.sqf`格式文件,并挂载至本地系统后使用。 对于被拆分为多个分块的大文件,请在挂载前运行以下代码进行合并: cat output_prefix_* > merged.sqf 有关数据集的结构与加载细节,请参阅我们的[GitHub仓库](https://github.com/ai4ce/Occ4cast/)。 ## 引用 <!-- 若有介绍该数据集的论文或博客文章,应在此处添加其APA与BibTeX引用信息。 --> **BibTeX格式:** @article{Liu2023occ4cast, title={LiDAR-based 4D Occupancy Completion and Forecasting}, author={Xinhao Liu and Moonjun Gong and Qi Fang and Haoyu Xie and Yiming Li and Hang Zhao and Chen Feng}, journal={arXiv preprint arXiv:2310.11239}, year={2023} }

提供机构:
ai4ce
原始信息汇总

数据集卡片 for OCFBench

概述

OCFBench 数据集是在论文 Occ4cast: LiDAR-based 4D Occupancy Completion and Forecasting 中精心策划的。该数据集从公开的自动驾驶数据中处理而来,旨在支持新颖的 occupancy completion and forecasting (OCF) 任务的训练和评估。

使用方法

请从各个目录下载每个 .sqf 文件,并将其挂载到本地系统以供使用。对于被拆分成多个部分的大型文件,请运行以下代码合并部分文件后再进行挂载:

bash cat output_prefix_* > merged.sqf

有关数据集结构和加载细节,请参考我们的 GitHub 仓库

引用

BibTeX:

bibtex @article{Liu2023occ4cast, title={LiDAR-based 4D Occupancy Completion and Forecasting}, author={Xinhao Liu and Moonjun Gong and Qi Fang and Haoyu Xie and Yiming Li and Hang Zhao and Chen Feng}, journal={arXiv preprint arXiv:2310.11239}, year={2023} }

搜集汇总
数据集介绍
构建方式
OCFBench数据集源自于《Occ4cast: LiDAR-based 4D Occupancy Completion and Forecasting》研究工作,旨在为占据补全与预测这一新兴任务提供标准化训练与评估基准。该数据集基于公开的自动驾驶感知数据精心加工而成,通过处理激光雷达点云序列,构建了涵盖空间与时间维度的四维占据场标签。数据以.sqf格式存储,便于高效加载与查询。针对大体积文件,数据集采用分卷压缩策略,用户需通过拼接命令将多个部分合并为完整文件,从而在本地环境中挂载使用。
特点
OCFBench的核心特点在于其聚焦于四维占据补全与预测任务,突破了传统三维占据感知仅关注当前时刻的局限。数据集规模介于一万至十万样本之间,覆盖多样化的城市驾驶场景,为模型提供了丰富的动态环境学习素材。采用CC-BY-NC-SA-4.0许可协议,确保了非商业用途下的开放共享。此外,数据集与配套的代码仓库及论文紧密关联,提供了完整的任务定义、评估指标与基线模型,为研究者搭建了从数据到算法的全链条支持。
使用方法
使用OCFBench数据集时,需先从各独立目录下载.sqf格式文件,并挂载至本地文件系统。若遇到分卷压缩文件,需执行‘cat output_prefix_* > merged.sqf’命令完成合并。随后,研究者应参照官方GitHub仓库中的指南,了解数据集内部结构及加载接口。数据集支持基于PyTorch等框架的深度学习模型开发,通过自定义数据加载器解析占据场序列,即可开展占据补全与预测任务的训练与验证工作。
背景与挑战
背景概述
在自动驾驶感知领域,三维语义占用补全与预测是近年兴起的前沿研究方向,其旨在从稀疏的传感器观测中推断出周围环境完整的几何与语义结构,并预测其未来演变。然而,现有数据集多聚焦于静态场景或单一时间步的占用重建,缺乏对时空动态连续性的系统性支持。在此背景下,由纽约大学等机构的研究团队于2023年提出的OCFBench数据集应运而生,它基于公开自动驾驶数据构建,专门服务于激光雷达驱动的四维占用补全与预测任务。该数据集由Xinhao Liu、Moonjun Gong、Qi Fang、Haoyu Xie、Yiming Li、Hang Zhao及Chen Feng等学者共同开发,其核心研究问题在于如何有效融合历史观测信息以同时完成当前时刻的占用补全与未来时刻的占用预测。这一开创性工作为自动驾驶系统在复杂动态环境下的鲁棒感知提供了标准化评测基准,显著推动了该领域从静态重建向动态预测的跨越。
当前挑战
OCFBench所面临的核心挑战首先体现在领域问题的复杂性上:四维占用补全与预测要求模型同时解决空间稀疏性、语义歧义性及时间因果性三重难题,不同于传统图像分类或静态语义分割,该任务需在缺失大量传感器数据的前提下,推理出完整的三维几何结构并预测其连续时序变化,这对模型的表征能力与因果推理提出了极高要求。其次,在数据集构建过程中,研究团队遭遇了数据标注与对齐的技术瓶颈——原始自动驾驶点云数据缺乏稠密的语义占用标签,需通过多帧融合与后处理算法生成伪真值,而不同传感器坐标系间的时空校准误差会直接污染训练样本质量。此外,大规模四维数据的存储与高效读取亦构成工程挑战,OCFBench采用SquashFS压缩格式以平衡文件体积与访问速度,但跨平台兼容性与数据分片合并的稳定性仍需持续优化。
常用场景
经典使用场景
OCFBench数据集专为基于激光雷达的四维占用补全与预测任务而设计,在自动驾驶感知领域具有开创性意义。该数据集从公开的自动驾驶数据中精心处理得到,为训练和评估占用补全与预测(OCF)这一新颖任务提供了标准化基准。研究者可利用其丰富的时序点云序列,建模场景中动态与静态障碍物的未来占用状态,从而推动环境感知从当前帧理解向未来帧推测的跨越式发展。
衍生相关工作
基于OCFBench,研究者已衍生出多项经典工作,包括提出基于时空注意力机制的Occ4cast模型作为基线方法,以及后续涌现的多种改进方案如结合光流约束的时序一致性建模、基于隐式神经表示的连续占用场预测等。这些工作不仅验证了数据集的有效性,还催生了关于4D占用表示学习、时序自监督预训练等新研究方向,形成了活跃的学术社区与开源生态。
数据集最近研究
最新研究方向
OCFBench数据集聚焦于基于LiDAR的4D占用补全与预测任务,这是自动驾驶感知领域的前沿方向。随着端到端自动驾驶和鸟瞰视角(BEV)表示技术的兴起,传统3D目标检测已难以满足复杂场景下对动态障碍物密集占用状态的理解需求。OCFBench从公开自动驾驶数据中提炼出时序占用补全与预测的基准,推动了模型从静态感知向未来状态推理的跨越。该数据集与近期占用网络(Occupancy Network)的热点研究紧密相关,为评估模型在稀疏LiDAR点云下的时序连续性、遮挡补全和运动预测能力提供了标准化平台。其发布不仅促进了4D占用学习在安全关键场景中的应用,也为未来自动驾驶系统在不确定环境下的鲁棒决策奠定了数据基础。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务