CODA：自动驾驶中沿路目标检测的极端情况数据集

来源 | 量化机系统设计视觉深度学习和备用驾驶员

知圈 | 进“滑板车体大群”请加微yanzhi-6,备注车体

2022年3月arXiv论文“CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving”，TCL和香港、广州两所该大学四人发表。

大多数现有的扫描器很难扫描到不常见的前提和倾向具体情况（例如，狗过马路），在某些具体完全显然造成重大事故。不利于开发无论如何确实的备用驾驶员系统设计的主要原因是缺失公共数据库集来评核倾向具体完全前提扫描器的性能。因此这里加进了一个CODA的原创性数据库集，该数据库集说明了了基于视觉扫描器的关键问题。该数据库集由 1500 个亲手挑选的普通人驾驶员桥段组合而成，每个桥段涵盖四个前提级的倾向近来（平均），跨越 30 多个前提几类。在大规模备用驾驶员数据库集上训练的标准规范前提寄存器在CODA的mAR显出大幅上升到不超过12.8%。

此外，改用最精密的开放当今世界前提扫描器进行试验中，发现很难有效定位CODA之中的新近前提，这断定应用于备用驾驶员的稳固感知系统设计仍遥不可及。CODA数据库集希望能促进对普通人备用驾驶员确实扫描的实质性研究。（数据库集网址：）

论文内容与结果

如图是CODA和其他公开数据库集的扫描结果比起：

该图是CODA的一些例子：

CODA之中桥段便是三个大型备用驾驶员数据库以外亲手挑选的：KITTI 、nuScenes 和ONCE，一共为CODA作出贡献了1500个不尽相同的桥段，每个桥段至少涵盖一个对备用驾驶员卡车或其周围社会生活和股东权益有益的前提级倾向近来。倾向具体情况通常可以分为7个超级几类：货车，天桥，骑行者，动物，交通路线，栅栏和时则，如图列出的是下面34个细分几类：

应用于考虑到前提是否为倾向具体情况的主要标准规范如下：

风险：前提驱赶或即将驱赶备用驾驶员卡车的潜在轨迹。亦非交通路线上的线性前提，如树木和建筑物，不被视之为驱赶。

新近颖性：该前提不属于任何共通类的共通驾驶员基准，或者它是共通类的新近范例。为简单起见，把SODA10M的类作为共通类。

CODA的数据库集新近建分两个主要阶段性进行。第一阶段性是备用分解提议，从初始数据库之中定位潜在的倾向具体情况，在第二阶段性，手动选择和上面，消除误报，对只剩的真前提进行分类，同时变动其圆点使其更为精确。

上图是应用于分解倾向近来提议（COPG）的流水线。流水线匹配是给定桥段的点云和影像。点云应用于量化（a），而影像（b）应用于分解（c）和（d），这适度删除无效提示。输出（g）是四组圆点，引导影像之中提示的倾向具体情况。

扫描结果及评核

下表是与其他交通路线诱发数据库集的比起。与CODA相比，其他数据库集要么是制备的，要么是小规模的。BDD-Anomaly （v1） 是现实当今世界之中最大的一个交通路线诱发集，尽管它在范例需求量上与 CODA 相当，但只涵盖两个前提类。

下表是CODA上的扫描结果：

上图是COPG的提议和标注例子：

下表是COPG和其他非正常/前提扫描器的评核：