雷锋网 AI 科技评论消息，CVPR 2019（Conference on Computer Vision and Pattern Recognition）将于 6 月 16-20 日在美国长滩举行，目前，会上的各大挑战赛已经开始报名。
作为国际上以自动驾驶视觉为核心的顶级评测大赛，CVPR WAD 挑战赛（Workshop on Autonomous Driving）以数据规模大、难度高著称，每年这一赛事都能吸引到全球业界和学术界的多路顶级团队参与。日前，滴滴、nuTonomy 以及加州大学伯克利分校 DeepDrive 深度学习自动驾驶产业联盟（BDD）合作，正式启动 CVPR 2019 WAD 自动驾驶识别挑战赛，邀请全球算法高手来挑战自动驾驶领域重点难题。
针对此次挑战赛，滴滴提供了一个大规模、高质量的真实驾驶场景视频数据集 D²-City（https://gaia.didichuxing.com/d2city），涵盖 12 类行车和道路相关的目标标注，旨在鼓励相关领域前沿算法的发明与实现。
本次CVPR 2019 WAD 挑战赛共提供了四项全新的基于多个驾驶数据集的自动驾驶相关任务。
赛题一：三维目标检测
赛题二：目标检测迁移学习
赛题三：目标跟踪迁移学习
赛题四：大规模检测插值
三维目标检测比赛建立在 nuScenes 数据集基础之上，参赛者需要根据传感器在 360 度旋转视角下得到的数据来估计车辆周围物体的三维位置、速度和属性。比赛将分为三个赛道：激光雷达赛道（仅能使用激光雷达传感器数据作为输入）、相机赛道（仅能使用相机传感器数据作为输入）和开放性赛道（可以将多种传感器相结合）。
目标检测迁移学习和目标跟踪迁移学习建立在滴滴此次发布的 D²-City 数据集与 BDD 发布的 BDD100K数据集上。目标检测迁移学习挑战赛中，参赛者需要利用采集自美国的 BDD100K 数据，训练目标检测模型，用于 D²-City 数据中；目标跟踪迁移学习挑战赛中，参赛者需要利用 D²-City 数据训练模型应用于 BDD100K 数据。
大规模检测插值探索赛中，参赛者需要基于 D²-City 数据集，在大量只提供了关键帧标注的视频上补全整段视频的框检测结果。这项探索赛致力于鼓励在目标检测、插值、检测追踪、域适应等各领域结合的应用的相关研究。参赛者可以利用 BDD100K 数据集和其他公开可用的相关数据集或是借助部分人工标注修正去提升最终结果。
关于数据集：
nuScenes数据集
由 nuTonomy 提供，数据采集自波士顿和新加坡的 1000 个驾驶场景，每个视频时长 20s，视频场景非常多样。完整的数据集包括大约 1.4M 的相机图像，390k 的激光雷达扫描数据，1.4M 的雷达扫描数据和在 4 万个关键帧下、大小为 1.4M 的物体边界框数据。
为了方便常见的计算机视觉任务（如对象检测和跟踪），nuTonomy 以 2Hz 的采样频率，用精确的 3D 边界框标注了 23 个对象类。此外，他们还对对象级的属性进行了注释。
BDD100K 数据集
由伯克利大学发布，数据集在美国的不同地方收集，包含 10 万段视频。每段视频时长大约为 40 秒，格式为 720p、30 fps。视频中还包括手机记录的 GPS/IMU 信息，可以显示出大致的驾驶轨迹。数据集中有很多不同天气，包括晴天、阴天和雨天，还有一天中的不同时间段，如白天和夜晚。
每段视频的第 10 秒均有进行关键帧采样，并为关键帧加上了注释，这 10 万个关键帧中经常出现在道路上的对象也被标上了边界框。
D²-City 数据集
采集自运行在中国五个城市的滴滴运营车辆，是一个大规模行车视频数据集，提供了超过一万段行车记录仪记录的前视视频数据。所有视频均以高清（720P）或超高清（1080P）分辨率录制。所提供的原始数据均存储为帧率 25fps、时长 30 秒的短视频。
滴滴为其中的约一千段视频提供了包括目标框位置、目标类别和追踪 ID 信息的逐帧标注，涵盖了共 12 类行车和道路相关的目标类别，并为一部分其余的视频提供了关键帧的框标注。
与现有的自动驾驶公开数据集相比，此次发布的 D²-City 数据集提供了更多在复杂或有挑战性的天气、交通、采集状况下所收集的真实场景数据，如光线不足、雨雾天气、道路拥堵、图像清晰度低等。
即日起，全球企业、研究机构和院校均可组成参赛队伍在挑战赛官网进行报名，
第一项挑战赛将于 6 月 15 日截止，后三项挑战赛将于 5 月 31 日截止，最终优胜团队奖项将于 6 月 17 日的 CVPR 2019 自动驾驶研讨会上正式颁发。
挑战赛官网：https://sites.google.com/view/wad2019/challenge
雷锋网 AI 科技评论编辑整理。雷锋网(公众号：雷锋网)
雷锋网版权文章，未经授权禁止转载。详情见转载须知。
