IDD-3D

自动驾驶和辅助系统依靠来自交通和道路场景的注释数据来建模和学习复杂现实场景中的各种对象关系。可部署的深度学习体系结构的准备和培训要求模型适合不同的流量场景并适应不同的情况。当前，现有的数据集虽然规模很大，但缺乏这种多样性，并且在地理上偏向于主要发达的城市。在印度等几个发展中国家发现的非结构化和复杂的驾驶布局对这些模型提出了挑战，因为对象类型，密度和位置的变化程度很大。为了促进更好的研究以适应此类场景，我们构建了一个新的数据集，IDD-3D，该数据集由来自多个摄像机的多模式数据和LiDAR传感器组成，该传感器具有跨各种交通场景的12k带注释的驱动LiDAR帧。我们通过与现有数据集的统计比较来讨论对该数据集的需求，并突出显示复杂布局中标准3D对象检测和跟踪任务的基准。