18、自动驾驶中的3D目标检测：数据集、评估指标与相机方法解析

自动驾驶中的3D目标检测：数据集、评估指标与相机方法解析

1. 公共数据集介绍

数据对于监督学习算法至关重要，以下为你介绍三个具有代表性的3D目标检测数据集。
- KITTI数据集
- 数据采集平台 ：采用标准旅行车，配备两个彩色和两个灰度的PointGrey Flea2摄像机、一个Velodyne HDL - 64E 3D激光扫描仪以及带有RTK校正信号的GPS/IMU定位单元。所有相机都经过校正，并与激光雷达和GPS/IMU单元进行了良好校准。
- 数据采集场景 ：涵盖结构良好的高速公路、复杂的城市区域和狭窄的乡村道路。
- 数据集内容 ：包含7481个训练帧和7518个测试帧，所有帧都带有传感器校准信息和标注的3D框。标注分为简单、中等和困难三类，依据物体大小、遮挡程度和截断水平划分。
- 评估指标 ：采用$AP_{2D}$、$AP_{3D}$和$AP_{BEV}$进行精度评估，采用$AOS$进行方向评估。
- 局限性 ：数据主要在白天晴天收集，不利于研究算法在极端条件下的泛化能力和鲁棒性；记录平台未考虑雷达，限制了基于雷达的3D目标检测研究；类别频率高度不平衡，大部分物体朝向单一。
- nuScenes数据集
- 数据采集平台 ：使用配备6个相机、5个雷达和1个激光雷达的全自主车辆，传感器具有完整的360度视野，且经过良好校准。数据通