【自动驾驶】小障碍物检测&分割数据集 【Lost and Found】

### Fishyscapes 数据集介绍 Fishyscapes 是一个专门为评估道路场景理解中的不确定性而设计的数据集[^1]。该数据集旨在解决现有自动驾驶视觉任务中对于不确定性的忽视，通过提供具有挑战性的测试环境来促进研究者开发更稳健的模型。 #### 主要特点 - **真实世界复杂度**：包含多种天气条件下的城市驾驶场景图像。 - **标注质量高**：提供了精确像素级语义分割标签以及实例级别标注。 - **多样性样本**：涵盖了不同光照、时间和地点的变化情况。 - **异常检测支持**：特别适合用于训练和验证能够识别未见过障碍物或罕见事件（如突然出现行人）的方法。 #### 使用方法 为了利用 Fishyscapes 进行实验，通常遵循如下方式： ##### 准备工作 下载并解压官方发布的数据包后，可以得到多个子文件夹，分别对应不同的任务设置。例如，“Lost and Found”版本专注于静态物体消失后的重建；“Semi-supervised segmentation”则关注部分标记图片上的半监督学习问题。 ##### 训练过程建议 由于目标之一是在缺乏充分先验知识的情况下处理未知类别，因此推荐采用合成负样本来增强模型泛化能力的技术路线。具体来说，在预训练阶段引入大量人工生成但不含实际危险因素的画面作为背景素材，从而让网络学会区分正常交通流与其他潜在威胁之间的差异。 ```python import torch from torchvision import transforms, datasets transform = transforms.Compose([ transforms.Resize((256, 512)), transforms.ToTensor(), ]) dataset_train = datasets.ImageFolder(root='path_to_fishyscapes/train', transform=transform) dataloader_train = torch.utils.data.DataLoader(dataset_train, batch_size=8, shuffle=True) for images, labels in dataloader_train: # Training code here... ``` ##### 测试与评价指标 当完成模型调整之后，可以通过计算预测结果同真值之间的一致性程度来进行性能评测。常用衡量标准包括但不限于交并比(IoU)，平均精度均值(mAP)等统计量。