Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

RailGoerl24 : Ensemble de données CV 2024 du centre d'essais ferroviaires de Görlitz

Created by
  • Haebom

Auteur

Rustam Tagiew (Centre allemand de recherche sur le trafic ferroviaire de l'Autorité fédérale des chemins de fer), Ilkay Wunderlich (EYYES GmbH), Mark Sastuba (Centre allemand de recherche sur le trafic ferroviaire de l'Autorité fédérale des chemins de fer), Kilian G oller (École Conrad Zuse d'IA composite embarquée et chaire de principes fondamentaux de l'ingénierie électrique de l'Université technique de Dresde), Steffen Seitz (École Conrad Zuse d'IA composite embarquée et chaire de principes fondamentaux de l'ingénierie électrique de l'Université technique de Dresde)

Contour

Afin de pallier le manque de données d'entraînement pour l'exploitation de trains sans conducteur, cet article présente le jeu de données RailGoerl24, un ensemble d'images haute définition de 12 205 images capturées au centre d'essais ferroviaires de TÜV SÜD Rail à Görlitz, en Allemagne. Ce jeu de données a été conçu pour soutenir le développement d'algorithmes d'apprentissage automatique permettant la détection automatique de personnes dans les zones dangereuses des trains et contient 33 556 annotations en forme de boîte pour les objets « personnes ». Outre les données d'images RVB, il comprend également des données de scan LiDAR terrestre couvrant une zone limitée. Les informations faciales sont nettes et peuvent être utilisées pour diverses tâches allant au-delà de la prévision des collisions. Le jeu de données est disponible à l'adresse data.fid-move.de/dataset/railgoerl24.

Takeaways, Limitations

•
Takeaways:
◦
Fournir un ensemble de données de formation de haute qualité pour l'exploitation de trains sans conducteur.
◦
Soutenir le développement d'algorithmes de détection humaine dans les environnements ferroviaires.
◦
Peut être utilisé pour diverses recherches liées au secteur ferroviaire autres que la prévision des collisions
◦
La combinaison d’images RVB et de données LiDAR permet des analyses diverses.
•
Limitations:
◦
La taille de l’ensemble de données est relativement petite par rapport à l’ensemble de données sur l’environnement routier.
◦
Un centre d'essais ferroviaires avec des emplacements de collecte de données limités.
◦
Possibilité de pénurie de données compte tenu des différentes conditions météorologiques ou fuseaux horaires
◦
Les données LiDAR ne couvrent qu'une partie des données RVB.
👍
Made with Slashpage