Perception Datasets for Anomaly Detection in Autonomous Driving: A Survey

要約

自律走行用知覚システムに採用されているディープニューラルネットワーク（DNN）は、あらゆる状況下で高い性能を確実に発揮する必要があるため、膨大な量の学習データを必要とする。しかし、これらのDNNは通常、学習データから得られる閉じた意味クラスの集合に制限されているため、未知の事例に直面したときに信頼性が低くなる。このように、異常検出手法の評価のために、複数の知覚データセットが作成されており、それらは、実世界における実異常、実世界に拡張された合成異常、完全合成シーンの3つのグループに分類することが可能である。このサーベイでは、自律走行における異常検知のための知覚データセットについて、構造的かつ我々の知る限り完全な概観と比較を提供する。各章では、タスクとグランドトゥルース、コンテキスト情報、ライセンスに関する情報を提供しています。さらに、既存のデータセットにおける現在の弱点やギャップについて議論し、さらなるデータ開発の重要性を強調する。

要約(オリジナル)

Deep neural networks (DNN) which are employed in perception systems for autonomous driving require a huge amount of data to train on, as they must reliably achieve high performance in all kinds of situations. However, these DNN are usually restricted to a closed set of semantic classes available in their training data, and are therefore unreliable when confronted with previously unseen instances. Thus, multiple perception datasets have been created for the evaluation of anomaly detection methods, which can be categorized into three groups: real anomalies in real-world, synthetic anomalies augmented into real-world and completely synthetic scenes. This survey provides a structured and, to the best of our knowledge, complete overview and comparison of perception datasets for anomaly detection in autonomous driving. Each chapter provides information about tasks and ground truth, context information, and licenses. Additionally, we discuss current weaknesses and gaps in existing datasets to underline the importance of developing further data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL