AI-Hub

데이터 변경이력

데이터 히스토리

소개

- 생활도로에서 차 대 사람 사고 구성비를 참고하여 데이터 설계
- 보행자의 통행이 많은 시간대 별로 분류하여 설계
- 주행환경 내 돌발상황을 고려한 엣지케이스 등을 설계
- 보행자/이륜차/전동킥보드 등과 교통약자를 고려한 시나리오 설계

구축목적

- 본 데이터는 차대 보행자 사고위험 및 치명률이 높은 골목길/생활도로에서의 동적/정적 객체 인식률 향상을 위한 가시광, 열화상 카메라, LiDAR 센서 융합 학습데이터 구축을 통해 고레벨 자율주행 연구개발 지원 및 산업육성 등으로 국내 업계의 산업경쟁력 강화지원을 목적으로 함.

- Instance Segmentation (가시광 카메라) 40만장
1) 시간대별 분포

■ 출근/등교 (06:00 ~ 09:00) 4만장, 비율 10%
■ 주    간  (09:00 ~ 12:00) 6만장, 비율 15%
■ 점    심  (12:00 ~ 14:00) 6만장, 비율 15%
■ 하    교  (14:00 ~ 17:00) 8만장, 비율 20%    
■ 퇴    근  (17:00 ~ 20:00) 8만장, 비율 20%
■ 야    간  (20:00 ~ 06:00) 8만장, 비율 20% 

2) 시나리오별 분포

3) 클래스별 분포 (객체 수와 동일)

[클래스 설명]
■ Car: 원동기를 사용하여 운전되는 차량 일체
■ Two-wheel Vehicle: 이륜자전거 일체(자전거, 전기자전거), 
                        동력으로 운행되는 이륜자동차 일체
■ TruckBus: 트럭 및 버스 차량
■ Personal Mobility: 전동 킥보드, 세그웨이 등 전동기의 동력으로 움직이는 개인형 이동장치
■ Kid student: 도로, 인도 등의 공간에 위치한 어린이, 학생 등(주로 등하교길 대상의 객체)
■ Adult: 도로, 인도 등의 공간에 위치한 사람(성인)
■ Traffic Sign: 교통 표지판(보호구역, 속도제한 표지판)
■ Traffic Light: 신호등 몸체
■ Speed bump: 과속방지턱
■ Parking space: 주차구역(도로 내 주차라인 명시된 부분, 거주가 우선주차구역 등)
■ Crosswalk: 보행자가 도로 위를 횡단할 수 있도록 안전표시로 표시한 부분

4) 날씨별 분포

5) 도로유형별 분포

- Bounding Box (열화상 카메라) 10만장
1) 시간대별 분포

■ 출근/등교 (06:00 ~ 09:00) 2만장, 비율 10%
■ 주    간  (09:00 ~ 12:00) 1만 5천장, 비율 15%
■ 점    심  (12:00 ~ 14:00) 2만장, 비율 20%
■ 하    교  (14:00 ~ 17:00) 1만 5천장, 비율 15%    
■ 퇴    근  (17:00 ~ 20:00) 1만장, 비율 10%
■ 야    간  (20:00 ~ 06:00) 2만장, 비율 20%   

2) 시나리오별 분포

3) 클래스별 분포 (객체 수와 동일)

[클래스 설명]
■ car-b: 원동기를 사용하여 운전되는 차량 일체
■ Two-wheel Vehicle-b: 이륜자전거 일체 (자전거, 전기 자전거) 
                           동력으로 운행되는 이륜자동차 일체
■ TruckBus-b: 트럭 및 버스 차량
■ Pedestrian-b: 도로, 인도 등의 공간에 위치한 사람, 
                 서있는 상태로 탑승 가능한 PM(킥보드, 세드웨이 등) 일체

4) 날씨별 분포

5) 도로유형별 분포

- 3D Semantic Segmentation (LiDAR) 10만장
1) 시간대별 분포

2) 시나리오별 분포

3) 클래스별 분포 (객체 수와 동일)

[클래스 설명]
■ car: 승용차, SUV 등 모든 차량
■ Truck/Bus: 트럭 및 버스 차량
■ Two-wheel Vehicle: 무동력으로 움직일 수 있는 자전거 일체, 
                        엔진 동력으로 움직일 수 있는 모터 사이클 일체
■ Pedestrian: 도로, 인도, 횡단보도 등의 공간에 위치한 사람 일체,
              서 있는 상태로 탐승 가능한 PM(킥보드, 세그웨이 등) 일체
■ Road: 차량이 다닐 수 있는 도로 영역
■ Sidewalk: 인도 등 보행자가 이용 가능한 도로
■ Traffic Sign: 교통 표지판(보호구역, 속도제한 표지판)
■ Traffic Light: 신호등 몸체

4) 날씨별 분포

5) 도로유형별 분포

- ImageCaption 1만 26장
1) 이미지 캡션 어절 수

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

- 2D Instance Segmentation 활용 AI 모델
• ViTDet
[모델 아키텍쳐]

ViTDet: Exploring plain vision transformer backbones for object detection 
[ECCV 2022]

VitDet는 Transformer backbone 기반의 Object Detection/Instance Segmentation 프레임워크로, 기존 컴퓨터 비전 분야에서 쓰이던 CNN(Convolutional Neural Network) 구조가 아닌 Transformer 모듈 기반의 ViT(Vision Transformer) 구조의 backbone 네트워크로 사용한다.

- 2D Bounding Box 활용 AI 모델
• RTMDet
[모델 아키텍쳐]

RTMDet는 고속으로 동작하는 Object Detection 모델로 자율주행차는 주변 환경을 빠르게 인식하고 위험을 피해야 하기 때문에 고속으로 동작하는 Real-Time Object Detection에서 뛰어난 성능을 보여주는 일부 YOLO모달보다 계산량이 적고, 성능이 높다.

- 3D Semantic Segmentation 활용 AI 모델
• Point Transformer V2
[모델 아키텍쳐]

Point Transformer V2: Grouped Vector Attention and Partition-based Pooling

[NeurIPS 2022]

Point Transformer V2는 LiDAR 기반 voxel-based 3D Semantic Segmentation 모델로, Transformer 모듈에 기반하여 효율적인 Group vector attention 기법을 적용하였다. 파티션 기반 Pooling 기법을 적용

- Keypoint 활용 AI 모델
• VitPose
[모델 아키텍쳐]
기존 비전 트랜스포머 모듈에 특별한 도메인 지식을 포함시키지 않고도 간단한 모델 구조, 모델 크기의 확장성, 훈련 패러다임의 유연성, 그리고 모델 간 지식 전이능력의 측면에서 탁월한 능력을 발휘한다. 본 모델은 대표 벤치마크 데이터 셋인 COCO 데이터의 Pose Estimation 태스크에서 SOTA(State-of-the-art)를 기록함.

설명서 및 활용가이드 다운로드

- 데이터 셋 구성
1.1 Instance Segmentation(가시광 카메라) 40만장
1) 어노테이션 포멧

2) 데이터 포맷 

3) 데이터 예시

데이터 예시

작업 이미지	json 형태

1.2 Bounding Box (열화상 카메라) 10만장
1) 어노테이션 포맷

2) 데이터 포맷

3) 데이터 예시

데이터 예시

작업 예시

json 예시

json 예시

1.3 3D Semantic Segmentation (LiDAR) 10만장
1) 어노테이션 포맷

2) 데이터 포맷

3) 데이터 예시

데이터 예시

작업 예시

json 예시

json 예시

1.4 Keypoint (가시광카메라 보행자) 1만 26장
1) 어노테이션 포맷

2) 데이터 포맷

3) 데이터 예시

데이터 예시

작업 이미지

json 형태

json 형태

1.5 ImageCaption 1만장
1) 어노테이션 포맷

2) 데이터 포맷