OccluRoads

OccluRoads数据集是由阿尔卡拉大学计算机工程系创建的，专注于包含部分和完全遮挡行人的道路场景。该数据集包含99个视频片段，涵盖了真实和虚拟环境中的道路场景，每个场景持续9到40秒。数据集通过手动标注和神经网络辅助标注，提供了详细的行人遮挡信息和场景上下文。该数据集主要用于自动驾驶领域，旨在解决行人遮挡检测问题，提升自动驾驶系统的安全性和准确性。

The OccluRoads dataset was developed by the Department of Computer Engineering, University of Alcalá, focusing on road scenarios containing partially and fully occluded pedestrians. It includes 99 video clips covering road scenes in both real and virtual environments, with each clip lasting 9 to 40 seconds. The dataset provides detailed pedestrian occlusion information and scene context via manual annotation combined with neural network-assisted annotation. Primarily targeted for the autonomous driving domain, this dataset aims to address pedestrian occlusion detection issues and improve the safety and accuracy of autonomous driving systems.

搜集汇总

数据集介绍

构建方式

OccluRoads数据集通过结合真实和虚拟环境中的道路场景，精心构建了一个包含部分和完全遮挡行人的多样化数据集。数据集收集了99个视频片段，其中40个来自西班牙的真实道路场景，使用Grasshopper3相机以25 FPS的帧率记录，分辨率为1920x1200。其余视频通过开源自动驾驶模拟器CARLA生成，利用虚拟现实框架增强了行人行为的逼真度，模拟了多种天气条件和车辆模型。数据标注过程结合了手动标注、YOLOv8神经网络检测以及CARLA环境中的数据，确保了标注的准确性和丰富性。

特点

OccluRoads数据集的显著特点在于其专注于道路场景中的遮挡行人，尤其是完全遮挡的行人，填补了现有数据集在这一领域的空白。数据集不仅提供了详细的行人遮挡标注，还包含了丰富的上下文信息，如斑马线、车道标记、车辆状态等，这些信息有助于模型更好地理解场景并预测遮挡行人的存在。此外，数据集的多样性体现在其涵盖了不同环境下的场景，包括真实和虚拟环境，增强了模型的泛化能力。

使用方法

OccluRoads数据集可用于训练和验证行人检测模型，特别是针对遮挡行人的检测任务。研究者可以利用数据集中的标注信息，结合知识图谱（KG）、知识图谱嵌入（KGE）和贝叶斯推理等方法，构建预测遮挡行人的模型。数据集的标注格式为XML，便于研究人员进行数据处理和模型训练。此外，数据集还提供了详细的实验设置和评估指标，如F1分数、精确率和召回率，帮助研究者评估模型的性能。

背景与挑战

背景概述

OccluRoads数据集由西班牙Alcalá大学的计算机工程系团队创建，旨在解决自动驾驶领域中行人检测的关键问题，特别是针对被遮挡行人的检测。该数据集于2024年发布，包含了在真实和虚拟环境中拍摄的多样化道路场景，重点标注了部分和完全被遮挡的行人。通过结合知识图谱（KG）、知识图谱嵌入（KGE）和贝叶斯推理，研究团队开发了一种预测被遮挡行人的方法，显著提升了检测性能，F1得分达到0.91，相较于传统机器学习模型提高了42%。该数据集的发布填补了现有数据集在完全遮挡行人检测方面的空白，对提升自动驾驶系统的安全性和可靠性具有重要意义。

当前挑战

OccluRoads数据集面临的挑战主要集中在两个方面：一是解决行人检测中遮挡问题的复杂性，尤其是完全遮挡行人的检测，这在现有数据集中鲜有涉及；二是数据集构建过程中遇到的标注和场景多样性问题。首先，遮挡问题涉及多种因素，如光照、天气、环境等，导致检测精度下降。其次，数据集的标注过程需要结合手动标注和神经网络自动标注，确保标注的准确性和一致性。此外，如何在真实和虚拟环境中保持数据质量的一致性，以及如何有效利用虚拟环境中的额外数据（如车辆速度和刹车状态）来提升模型性能，也是该数据集面临的挑战。

常用场景

经典使用场景

OccluRoads数据集在自动驾驶领域中被广泛用于预测道路场景中被遮挡行人的存在。该数据集通过结合真实和虚拟环境中的道路场景，提供了丰富的标注信息，包括行人的遮挡状态、车辆行为以及道路上下文信息。研究者利用这些信息，通过知识图谱（KG）、知识图谱嵌入（KGE）和贝叶斯推理等技术，构建了一个预测遮挡行人存在的高效模型。

解决学术问题

OccluRoads数据集解决了自动驾驶领域中遮挡行人检测的难题。传统方法在处理完全遮挡的行人时表现不佳，而该数据集通过提供详细的遮挡标注和上下文信息，使得研究者能够开发出更精确的遮挡行人预测模型。这不仅提升了自动驾驶系统的安全性，还为行人检测技术的发展提供了新的研究方向。

衍生相关工作

基于OccluRoads数据集，研究者们开发了多种行人检测和遮挡预测模型。例如，通过知识图谱和贝叶斯推理的方法，研究者成功提升了遮挡行人的检测精度。此外，该数据集还激发了其他相关研究，如基于语义关系的行人检测、多尺度特征融合等。这些工作不仅丰富了行人检测领域的研究内容，还为未来的自动驾驶技术提供了重要的技术支持。