Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

RailGoerl24: Conjunto de datos CV del Centro de Pruebas Ferroviarias de G\"orlitz 2024

Created by
  • Haebom

Autor

Rustam Tagiew (Centro Alemán de Investigación del Tráfico Ferroviario de la Autoridad Federal de Ferrocarriles), Ilkay Wunderlich (EYYES GmbH), Mark Sastuba (Centro Alemán de Investigación del Tráfico Ferroviario de la Autoridad Federal de Ferrocarriles), Kilian Göller (Escuela Conrad Zuse de IA Compuesta Integrada y Cátedra de Fundamentos de Ingeniería Eléctrica de la Universidad Tecnológica de Dresde), Steffen Seitz (Escuela Conrad Zuse de IA Compuesta Integrada y Cátedra de Fundamentos de Ingeniería Eléctrica de la Universidad Tecnológica de Dresde)

Describir

Para abordar la falta de datos de entrenamiento para la operación de trenes sin conductor, este artículo presenta el conjunto de datos RailGoerl24, un conjunto de imágenes de alta definición de 12 205 fotogramas capturado en el Centro de Pruebas Ferroviarias de TÜV SÜD Rail en Görlitz, Alemania. Este conjunto de datos se diseñó para respaldar el desarrollo de algoritmos de aprendizaje automático para la detección automática de personas en zonas de peligro de trenes y contiene 33 556 anotaciones en forma de caja para objetos "persona". Además de los datos de imagen RGB, también incluye datos de escaneo LiDAR terrestre que cubren un área limitada. La información facial se visualiza con nitidez y puede utilizarse para diversas tareas, además de la predicción de colisiones. El conjunto de datos está disponible en data.fid-move.de/dataset/railgoerl24.

Takeaways, Limitations

•
Takeaways:
◦
Proporcionar un conjunto de datos de entrenamiento de alta calidad para la operación de trenes sin conductor.
◦
Apoyando el desarrollo de algoritmos de detección humana en entornos ferroviarios.
◦
Se puede utilizar para diversas investigaciones relacionadas con los ferrocarriles además de la predicción de colisiones.
◦
La combinación de imágenes RGB y datos LiDAR permite realizar diversos análisis.
•
Limitations:
◦
El tamaño del conjunto de datos es relativamente pequeño en comparación con el conjunto de datos del entorno vial.
◦
Un centro de pruebas ferroviarias con ubicaciones limitadas de recopilación de datos.
◦
Posibilidad de escasez de datos considerando diversas condiciones climáticas o zonas horarias
◦
Los datos LiDAR solo cubren una parte de los datos RGB.
👍
Made with Slashpage