数据集一致，提供三维空间中的车道真值。与之有区别的是，OpenLane-Huawei 提供的是车道中心线的3D标注，而OpenLane提供的是车道分割线3D标注。此外，还提供了交通标志(交通灯和路标)及其属性的2D框标注，和车道中心线之间以及车道中心线与交通要素之间的拓扑关系标注。
紧接着历史文章：《基于GIS的合肥市BRT和Metro的交通可达性研究》、《基于GIS的合肥市BRT和Metro的交通可达性研究-part1》《基于GIS的合肥市BRT和Metro的交通可达性研究-part2》……
随着特斯拉自动驾驶汽车的兴起以及谷歌Waymo等项目的兴起，自动驾驶汽车行业似乎每年都在增长。无人驾驶汽车是计算机视觉的一个重要领域，具有众多应用程序，并且具有巨大的获利潜力。
UA-DETRAC是一个具有挑战性的现实世界多目标检测和多目标跟踪基准。数据集由 Cannon EOS 550D摄像头在中国北京和天津24个不同地点拍摄的10个小时的视频组成。视频以每秒25帧的速度录制，分辨率为960540像素。在UA-DETRAC数据集中，有超过14万帧和8250辆车被人工标注，总共标记了121万物体的边界盒。我们还对目标检测和多目标跟踪方面的最新方法进行基准测试，以及本网站中详细介绍的评估指标。
编者按：从3D雷达、图像到语义等数据类型，从交通灯到车辆、行人等路上目标，包括多种复杂交通场景的全球二十多个自动驾驶数据集概览及索引。
外国自媒体mlmemoirs根据github、福布斯、CMU官网等信息，整理了一张50个最佳机器学习公共数据集的榜单，为大家分享一下~
来源：机器学习算法那些事本文约3000字，建议阅读6分钟本文整理一张50个醉驾机器学习公共数据集的榜单。 外国自媒体mlmemoirs根据github、福布斯、CMU官网等信息，整理了一张50个最佳机器学习公共数据集的榜单，为大家分享一下~ 提前说下须知： 一、寻找数据集的意义 根据CMU的说法，寻找一个好用的数据集需要注意一下几点： 数据集不混乱，否则要花费大量时间来清理数据。 数据集不应包含太多行或列，否则会难以使用。 数据越干净越好，清理大型数据集可能非常耗时。 应该预设一个有趣的问题，而这个问题又
Supermap的交通分析对应的是实际地理信息系统中的最佳路径啦，最佳路径在实际的地理信息系统中会用到，而路径分析实际就是在指定的网络上查找一条路径，使其依次经过若干制定的路有点，并使其成本最小，包括距离成本最小的最短路径和时间成本最小的旅行商分析。
外国自媒体mlmemoirs根据github、福布斯、CMU官网等信息，整理了一张50个最佳机器学习公共数据集的榜单，量子位为大家分享一下~
https://medium.com/datadriveninvestor/the-50-best-public-datasets-for-machine-learning-d80e9f030279
“他山之石，可以攻玉”，站在巨人的肩膀才能看得更高，走得更远。在科研的道路上，更需借助东风才能更快前行。为此，我们特别搜集整理了一些实用的代码链接，数据集，软件，编程技巧等，开辟“他山之石”专栏，助你乘风破浪，一路奋勇向前，敬请关注。
原作者 Priya Dwivedi 编译 CDA 编译团队 本文为 CDA 数据分析师原创作品，转载需授权 自动驾驶已经迎来发展的热潮。自动驾驶车在行驶时，需要正确识别路上的交通标志。在这篇文章中，
城市利用交通摄像头作为全市范围内的传感器来优化交通流量和管理交通事故潜力巨大。但现有技术缺乏大范围跟踪车辆的能力，这些车辆跨越多个摄像机，分布在不同的十字路口，天气条件也各不相同。
本文对中科大汪炀团队发表在AAAI 2020 的论文《RiskOracle: A Minute-level Citywide Traffic Accident Forecasting Framework》进行解读。
识别交通标志是智能驾驶系统环境感知技术的重要组成部分。在现实应用中，交通标志识别很容易受到光照强度、极端天气和距离等变量的影响，这增加了智能车辆的安全风险。
【前言】城市计算领域中，智能交通、智慧出行一直是一备受关注的话题，而交通事故在交通中扮演越来越着重要的角色，据WHO统计，已逐渐成为人类第8大杀手。传统的基础交通动态元素流量、速度预测等不能完全等同于事故预测，因为事故分布更为零星，影响它的因素也更为复杂，包括天气、人为因素、路网显著的动态变化，区域之间的动态关联等，且存在数据量不足的问题。本文提出一种更为短期的交通事故预测框架，提出了多任务差分时变图卷积网络（Multi-task Differential Time-varying Graph convolution Network， Multi-task DTGN），旨在提升交通出行安全，推进数据赋能交通发展，并通过设计一更为专有化的神经网络，推动人工智能社区的进步，为城市计算、时空数据挖掘中的相似问题（如流感预测、犯罪侦测预测等）提供新的思路。
内容提要：Lyft 近日发布了一个 Level 5 级别的自动驾驶预测数据集，包含了超过 1000 个小时的驾驶记录。此外，公司还发起自动驾驶运动预测挑战赛，奖金池 3 万美金。
2023年5月11日，北京市高级别自动驾驶示范区联合清华大学智能产业研究院（AIR）、北京车网科技发展有限公司、百度Apollo、北京智源人工智能研究院，隆重推出全球首个基于真实道路场景的时序车路协同数据集V2X-Seq，向境内用户提供下载使用。该数据集填补了目前业界真实道路场景车路协同时序数据集的空白，将有效加速车路协同时序感知和车路协同轨迹预测研究。
中国有越来越多的城市开始向公众开放各类数据，但这些数据真的是市民们所需要的吗？市民对什么类型的数据需求最大？在最早推动“开放数据”的美国，一家名为阳光基金会的机构前段时间发布了一份报告，给出了一份当地居民最欢迎的“开放数据”类型排名，或对中国城市有所启示。
当今，GIS技术在各种行业中得到了广泛应用，如环境保护、城市规划、农业、能源、交通等领域。然而，这些领域中要获取高质量的GIS数据，往往需要付出高昂的成本。
构建人数统计解决方案既可以是一个有趣的项目，又可以真正找到现实世界的应用程序。
相对传统公交， BRT和Metro系统作为一种新型的公共交通方式，是一个涉及面广、影响因素多、相对灵活的体系。BRT通过对传统公共汽车在规划、设计、运营和管理上的改良，从而以较少的投资、较强的灵活性实现较高的服务效率；Metro在地下，不占用地面土地，运行速度快，载客容量大，大大的减少居民出行时间。BRT和Metro系统规划的核心问题，在于如何与城市自身特点紧密配合，寻求快速公交和地铁与其它城市公共交通方式之间的合理结构模式，建立一体化的城市交通系统。因此，在快速公交和地铁系统决策的过程中，必须坚持整体化的规划原则与方法，对快速公交和地铁系统的规划、实施、运营、优化这一不断推进的过程进行全面分析。因此我们对BRT和Metro路线系统对合肥市中心城区可达性影响的分析。
对于目前绝大多数的交通监控而言，依旧是沿用传统的管理模式。随着国民经济的日益发展和交通产业需求的日益增长，智能交通视觉系统的发展将趋向用机器视觉下的图像处理技术进行实时监测。通过摄像头辅助监测，相对于其他检测方法, 摄像头价格低廉, 安装容易, 对现有的交通枢纽进行摄像头安装时不需要太大的改动, 后期维护方便；并且一个摄像头可以同时监控多个目标, 大大减少了前期硬件安装的工作量，因此基于视频图像检测任务有很好的应用前景。
班加罗尔的房地产市场，为数据分析师提供了一个有趣的机会，分析和预测房地产价格的走向。对房地产价格的预测正变得越来越重要和有利。房地产价格是一个国家整体市场状况和经济健康的良好指标。该数据集包含了价格、面积等信息。
我们在两个现实世界的大规模数据集上进行了实验：（1）METR-LA此交通数据集包含从洛杉矶县高速公路上的环路检测器收集的交通信息（Jagadish等，2014）。我们选择了207个传感器，并收集了从2012年3月1日到2012年6月30日的4个月的数据进行实验。 （2）PEMS-BA Y该交通数据集由加利福尼亚州运输机构（CalTrans）绩效评估系统（PeMS）收集。我们在湾区选择了325个传感器，并收集了从2017年1月1日到2017年5月31日的6个月数据进行实验
各位人工智能卓越的推动者们，我们诚邀您参与【2023年无锡国际人工智能算法大赛】，探索未来AI创新的巅峰之战！
内容概要：医学图像分析是一个非常复杂的跨学科领域，近日上海交通大学发布了 MedMNIST 数据集，有望促进医学图像分析的发展。
[摘要] 指导单位：中央网络安全和信息化领导小组办公室信息化发展局 承办单位：上海市经济和信息化委员会、上海市交通委员会主办，中国工业设计研究院（CIDI） 独家冠名：上海游族公益基金会 开放数据集：交通卡、交通事故、道路交通指数、出租车轨迹、公交车运行、地铁运行、空气质量、气象检测、新浪微博等上千GB的数据集 奖项设置： 大奖1名：20万元 优秀奖3名：10万元 单项奖4名：5万元 入围奖7个：5千元 上海游族公益基金会独家冠名，并提供现金奖励 时间进程 报名组队和创意提交阶段:8月18日 - 9月13日
在机器学习中，寻找数据集也是非常重要的一步。质量高或者相关性高的数据集对模型的训练是非常有帮助的。
机器之心专栏 作者：沈煦 Dragon Lake Parking (DLP) 数据集以无人机正射航拍视角，提供了大量经过标注的高清 4K 视频和轨迹数据，记录了在停车场环境内，不同类型的车辆、行人和自行车的运动及交互行为。数据集时长约 3.5 小时，采样率为 25Hz，覆盖区域面积约为 140 m x 80 m，包含约 400 个停车位，共记录了 5188 个主体。数据集提供两种格式：JSON 和原视频 + 标注，可服务的研究方向包括：大规模高精度目标识别和追踪、空闲车位检测、车辆和行人的行为和轨迹预测、模
【导读】时空预测在天气预报、运输规划等领域有着重要的应用价值。交通预测作为一种典型的时空预测问题，具有较高的挑战性。以往的研究中主要利用通行时间这类交通状态特征作为模型输入，很难预测整体的交通状况，本文提出的混合时空图卷积网络，利用导航数据大大提升了时空预测的效果（本文作者高德机器学习团队，论文已被收录到KDD2020）。
使用可视化工具包探索Lyft预测数据集介，可视化动图非常消耗流量，请在wifi环境下查看本篇文章
日常通勤中的规律往往相对容易挖掘，但交通状况还会受很多其他因素影响，之前的研究主要利用通行时间这类交通状态作为特征，少量研究引入事件，不能很好地预测实际交通流量。
从2017年开始，时空图神经网络模型被广泛应用于多元时间序列预测、交通预测等应用场景，然而到了2022年，这些方法的发展似乎出现了停滞：模型越来越复杂，性能提升非常有限（甚至倒退）。
【导读】本文是机器学习工程师Pavel Surmenok撰写的一篇技术博客，用Pytorch实现ResNet网络，并用德国交通标志识别基准数据集进行实验。文中分别介绍了数据集、实验方法、代码、准备工作，并对图像增强、学习率、模型微调、误差分析等步骤进行详细介绍。文章中给出了GitHub代码，本文是一篇学习PyTorch和ResNet的很好的实例教程。
时间序列图神经网络是一种结合了图神经网络和时间序列分析的方法，用于对动态系统中的数据进行建模和预测。与传统的时间序列模型不同，图神经网络可以有效地捕捉时间序列数据中的时序信息和模式，并进行预测和分类。
相信对于Mapillary大家并不陌生，该公司一直致力于推动自动驾驶的研究，发布了专门面向自动驾驶的覆盖全球多个地区的街景数据集Mapillary Vistas Dataset。
【导读】本文是机器学习工程师Pavel Surmenok撰写的一篇技术博客，用Pytorch实现ResNet网络，并用德国交通标志识别基准数据集进行实验。文中分别介绍了数据集、实验方法、代码、准备工作
交通标志检测对于无人驾驶系统来说是一项具有挑战性的任务，特别是对于多尺度目标的检测和检测的实时性问题。在交通标志检测过程中，目标的尺度变化很大，会对检测精度产生一定的影响。
在科学研究中，从方法论上来讲，都应“先见森林，再见树木”。当前，人工智能学术研究方兴未艾，技术迅猛发展，可谓万木争荣，日新月异。对于AI从业者来说，在广袤的知识森林中，系统梳理脉络，才能更好地把握趋势。为此，我们精选国内外优秀的综述文章，开辟“综述专栏”，敬请关注。
我们的目标是在一个标签可用的数据集(源)上训练神经网络，并在另一个标签不可用的数据集(目标)上保证良好的性能。
Traffic事故是非常普遍的。如果生活在一个广阔的大都市中，那么很有可能听说，见证甚至参与其中。由于交通事故的发生频率，交通事故是造成全球死亡的主要原因，每年缩短数百万人的生命。因此，可以预测交通事故或容易发生事故的区域的系统可以潜在地挽救生命。
清华大学电子工程系城市科学与计算研究中心提出 GPD 模型，利用扩散模型生成神经网络参数，将时空少样本学习转变为扩散模型的预训练问题。
域适应是计算机视觉的一个领域，我们的目标是在源数据集上训练一个神经网络，并确保在显著不同于源数据集的目标数据集上也有良好的准确性。为了更好地理解域适应和它的应用，让我们先看看它的一些用例。
我们一般用深度学习做图片分类的入门教材都是MNIST或者CIFAR-10，因为数据都是别人准备好的，有的甚至是一个函数就把所有数据都load进来了，所以跑起来都很简单，但是跑完了，好像自己还没掌握图片分类的完整流程，因为他们没有经历数据处理的阶段，所以谈不上走过一遍深度学习的分类实现过程。今天我想给大家分享两个比较贴近实际的分类项目，从数据分析和处理说起，以Keras为工具，彻底掌握图像分类任务。 这两个分类项目就是：交通标志分类和票据分类。交通标志分类在无人驾驶或者与交通相关项目都有应用，而票据分类任务
当前大多数高级人脸识别方法都是基于深度学习而设计的，深度学习取决于大量人脸样本。但是，目前尚没有公开可用的口罩遮挡人脸识别数据集。为此，这项工作提出了三种类型的口罩遮挡人脸数据集，包括口罩遮挡人脸检测数据集（MFDD），真实口罩遮挡人脸识别数据集（RMFRD）和模拟口罩遮挡人脸识别数据集（SMFRD）。基于这些数据集，可以开发口罩遮挡人脸的各种应用。本项目开发的多粒度口罩遮挡人脸识别模型可达到95％的准确性，超过了行业报告的结果。
近年来，在深度卷积神经网络（CNNs）的帮助下，图像和视频监控在智能交通系统（ITS）方面取得了长足的进步。作为最先进的感知方法之一，检测视频监控每帧中感兴趣的目标是ITS广泛期望的。目前，在具有良好照明条件的日间场景等标准场景中，物体检测显示出显著的效率和可靠性。然而，在夜间等不利条件下，物体检测的准确性会显著下降。该问题的主要原因之一是缺乏足够的夜间场景注释检测数据集。在本文中，我们提出了一个框架，通过使用图像翻译方法来缓解在不利条件下进行目标检测时精度下降的情况。 为了缓解生成对抗性网络（GANs）造成的细节破坏，我们建议利用基于核预测网络（KPN）的方法来重新定义夜间到日间的图像翻译。KPN网络与目标检测任务一起训练，以使训练的日间模型直接适应夜间车辆检测。车辆检测实验验证了该方法的准确性和有效性。
这篇文章有4篇论文速递信息，涉及CNN pruning、新的人脸识别数据集、森林树木分类和交通标志检测等方向。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
