UC Berkeley Open-Sources 일00k Driving Video Database [Reddit(레딧) 일8.06.02 일번째 글] (UC버클리공대 주행영상 오픈소스) 좋네요

>

>

UC Berkeley's Artificial Intelligence Research Lab(BAIR)has open-sourced their새 est driving database, BDD하나 00K, which contains over하나 00k videos of driving experience, each running 40 seconds at 30 frames per second.(UC버클리 인공 지능 연구실(BAIR)은 하나 00,000개가 넘는 요즘, 드라이브 데이터베이스의 BDD하나 00K를 오픈 소스로 제공하고 이는 각각 초당 30프레임으로 40초를 실행할 것입니다.)BDD하나 00K's total image count is 800 times larger than Baidu ApolloScape(released this March), 4,800 times larger than Mapillary and 8,000 times larger than KITTI)(BDD하나 00K의 총 이미지 수는 Baidu ApolloScap(올해 3월에 출시된 것)의 800배이며 Mapillary보다 4,800배 크고 KITTI보다 8,000배 더 큽니다.)

>

The videos were collected from some 50k trips on the streets and highways of New York, San Francisco Bay Area, etc.and come with GPS/IMU information illustrating driving paths. They were recorded at different times of the day and in various weather conditions, including sunny, overcast, and rainy.(이 비디오는 뉴욕, 샌 프란시스코 지역 등의 거리와 고속 도로에서 약 50,000회의 운항을 통해서 수집되고 오이, 운전경로를 보여주는 GPS/IMU 정보가 공급됩니다. 그들은 갠 날씨, 흐림, 비 등의 다양한 기상 조건에서 기록되었습니다.)Prior to releasing the database, BAIR researchers worked on an annotation tool to speed up labeling bounding boxes, semantic segmentation, and lanes in the driving database.The tool can be accessed via a web browser.For box annotation, the team trained a Fast-RCNN object detection model to learn from 55k labeled video clips. The model will work alongside human annotators and save 60 percent of the time required for drawing and adjusting bounding boxes.(데이터베이스를 발표하기 전에 BAIR조사원은 운전 도구 데이터베이스에서 의의론적 세분화 및 차선 레이블링 속도를 높이기 때문에 annotation tool을 사용했다. Tool은 웹브라우저를 통해 액세스할 수 있습니다. 상자 주석의 때문에 팀은 Fast-RCNN객체 탐지 ​ ​ 모델을 교육하고, 55k개의 라벨이 지정된 비디오 클립에서 학습했다. 이 모델은 직접 주석을 다는 사람과 함께 작동하고 bounding box를 그리는 것과 조정에 필요한 그때의 60퍼.센트를 절약한다.)BAIR has implemented the tool on BDD100K, wherein the team extracts selected video frames and annotates them for image tagging, road objecting bounding boxes, drivable areas, lane markings, and full-frame instance segmentation.(BAIR은 BDD100K에서 이 도구를 구현하는 팀이 선택한 비디오 플레이어 오시면을 추출하고 이미지 태그 지정, 도로, 객체 bounding box, 구동 가능한 영역, 차선 표시 및 전체 플레이어입니다 인스턴스 분할 때문에 주석을 붙였습니다.)The database contains almost one million cars, more than 300k street signs, 130k pedestrians, etc.BDD100K will be especially suitable for computer vision training to detect and avoid pedestrians on the street, as it contains more people than other datasets.CityPerson, a dataset specialized for pedestrian detection, has only about one-quarter the people per image that BDD100K does)(이 데이터베이스에는 거의 백만대의 자동차 300,000개 이상의 거리 표지판, 130,000명의 보행자 등이 포함되어 있습니다. BDD100K는 다른 데이터 세트보다 많은 사람들이 포함되어 있기 때문에 거리에서 보행자를 감지하고 피한 컴퓨터 비젼 및 교육에 특히 적합한다. 보행자 감지용 데이터 세트인 CityPerson은 BDD100K이 수행하는 이미지에 약 1/4의 사람이 있습니다.)Annotated images also have twotypes of lane markings:verticallanes are marked in red and parallellanes in blue. Drivable areas are separated between the red-marked directly drivable path and blue-marked alternatived rivable paths.(주석 달린 화상에는 2종류의 차선 표시가 있습니다. 수직차선은 빨간색으로 표시되고 수평차선은 파란색으로 표시됩니다. 주행가능영역은빨간색으로표시된직접구동가능한경로와파란색으로표시된대체구동가능경로사이로구분됩니다.)

>

>

The BDD100K database is backed by Berkeley DeepDrive(BDD)Industry Consortium, which studies computer vision and ML applications for vehicles.BDD aligns UC Berkeley with top-tier companies such as Ford, Nvidia, Qualcomm, GM, and Baidu.Back in March, Baidu released its ApolloScape driving dataset— at that time the largest yet— as part of the BDD project.(BDD100K데이터베이스는 차량용 컴퓨터 비전과 ML애플리케이션을 조사하는 BDD(Berkeley DeepDrive)Industry Consortium의 지원을 받습니다. BDD는 UC버클리를 Ford, Nvidia, Qualcomm, GM 및 Baidu와 같은 최상위 기업과 제휴하고 있습니다. 3월에 Baidu는 ApolloScape의 운전 데이터 세트를 발표했으나 그 바로 당시는 BDD프로젝트의 1환으로 가장 큰 규모 욧움니다.)+, 구글 번역기를 빌렸다.! 조금 이상한 포현만 고쳤어요 ~+ 오픈 소스로 공급되는 양질의 데이터인 만큼 자율주행 자동차과 컴퓨터 비전 조사에 매우 까다로운 분들에게는 반가운 소식이 될 것 같습니다.+원문 출처:https://medium.com/syncedreview/uc-berkeley-open-sources-100k-driving-video-database-dce09ff7cf78

+관련 논문:https://arxiv.org/abs/하나 805.04687

+ BDD공식홈페이지 : http://bdd-data.berkeley.edu/