专门做国外网站怎么快速优化关键词

数据总体结构

Nuscenes 数据结构
可以看一下我的blog如何下载完整版

mmdetection3d
├── mmdet3d
├── tools
├── configs
├── data
│   ├── nuscenes
│   │   ├── maps
│   │   ├── samples
│   │   ├── sweeps
│   │   ├── lidarseg (optional)
│   │   ├── v1.0-test
|   |   ├── v1.0-trainval

参考 mmdet3d

nuscenes_database/xxxxx.bin：训练数据集的每个 3D 包围框中包含的点云数据。nuscenes_infos_train.pkl：训练数据集，该字典包含了两个键值：metainfo 和 data_list。metainfo 包含数据集的基本信息，例如 categories, dataset 和 info_version。data_list 是由字典组成的列表，每个字典（以下简称 info）包含了单个样本的所有详细信息。info[‘sample_idx’]：样本在整个数据集的索引。info[‘token’]：样本数据标记。info[‘timestamp’]：样本数据时间戳。info[‘ego2global’]：自车到全局坐标的变换矩阵。（4x4 列表）info[‘lidar_points’]：是一个字典，包含了所有与激光雷达点相关的信息。info[‘lidar_points’][‘lidar_path’]：激光雷达点云数据的文件名。info[‘lidar_points’][‘num_pts_feats’]：点的特征维度。info[‘lidar_points’][‘lidar2ego’]：该激光雷达传感器到自车的变换矩阵。（4x4 列表）info[‘lidar_sweeps’]：是一个列表，包含了扫描信息（没有标注的中间帧）。info[‘lidar_sweeps’][i][‘lidar_points’][‘data_path’]：第 i 次扫描的激光雷达数据的文件路径。info[‘lidar_sweeps’][i][‘lidar_points’][lidar2ego’’]：当前激光雷达传感器到自车的变换矩阵。（4x4 列表）info[‘lidar_sweeps’][i][‘lidar_points’][‘ego2global’]：自车到全局坐标的变换矩阵。（4x4 列表）info[‘lidar_sweeps’][i][‘lidar2sensor’]：从主激光雷达传感器到当前传感器（用于收集扫描数据）的变换矩阵。（4x4 列表）info[‘lidar_sweeps’][i][‘timestamp’]：扫描数据的时间戳。info[‘lidar_sweeps’][i][‘sample_data_token’]：扫描样本数据标记。info[‘images’]：是一个字典，包含与每个相机对应的六个键值：'CAM_FRONT', 'CAM_FRONT_RIGHT', 'CAM_FRONT_LEFT', 'CAM_BACK', 'CAM_BACK_LEFT', 'CAM_BACK_RIGHT'。每个字典包含了对应相机的所有数据信息。info[‘images’][‘CAM_XXX’][‘img_path’]：图像的文件名。info[‘images’][‘CAM_XXX’][‘cam2img’]：当 3D 点投影到图像平面时需要的内参信息相关的变换矩阵。（3x3 列表）info[‘images’][‘CAM_XXX’][‘sample_data_token’]：图像样本数据标记。info[‘images’][‘CAM_XXX’][‘timestamp’]：图像的时间戳。info[‘images’][‘CAM_XXX’][‘cam2ego’]：该相机传感器到自车的变换矩阵。（4x4 列表）info[‘images’][‘CAM_XXX’][‘lidar2cam’]：激光雷达传感器到该相机的变换矩阵。（4x4 列表）info[‘instances’]：是一个字典组成的列表。每个字典包含单个实例的所有标注信息。对于其中的第 i 个实例，我们有：info[‘instances’][i][‘bbox_3d’]：长度为 7 的列表，以 (x, y, z, l, w, h, yaw) 的顺序表示实例的 3D 边界框。info[‘instances’][i][‘bbox_label_3d’]：整数表示实例的标签，-1 代表忽略。info[‘instances’][i][‘velocity’]：3D 边界框的速度（由于不正确，没有垂直测量），大小为 (2, ) 的列表。info[‘instances’][i][‘num_lidar_pts’]：每个 3D 边界框内包含的激光雷达点数。info[‘instances’][i][‘num_radar_pts’]：每个 3D 边界框内包含的雷达点数。info[‘instances’][i][‘bbox_3d_isvalid’]：每个包围框是否有效。一般情况下，我们只将包含至少一个激光雷达或雷达点的 3D 框作为有效框。info[‘cam_instances’]：是一个字典，包含以下键值：'CAM_FRONT', 'CAM_FRONT_RIGHT', 'CAM_FRONT_LEFT', 'CAM_BACK', 'CAM_BACK_LEFT', 'CAM_BACK_RIGHT'。对于基于视觉的 3D 目标检测任务，我们将整个场景的 3D 标注划分至它们所属于的相应相机中。对于其中的第 i 个实例，我们有：info[‘cam_instances’][‘CAM_XXX’][i][‘bbox_label’]：实例标签。info[‘cam_instances’][‘CAM_XXX’][i][‘bbox_label_3d’]：实例标签。info[‘cam_instances’][‘CAM_XXX’][i][‘bbox’]：2D 边界框标注（3D 框投影的矩形框），顺序为 [x1, y1, x2, y2] 的列表。info[‘cam_instances’][‘CAM_XXX’][i][‘center_2d’]：3D 框投影到图像上的中心点，大小为 (2, ) 的列表。info[‘cam_instances’][‘CAM_XXX’][i][‘depth’]：3D 框投影中心的深度。info[‘cam_instances’][‘CAM_XXX’][i][‘velocity’]：3D 边界框的速度（由于不正确，没有垂直测量），大小为 (2, ) 的列表。info[‘cam_instances’][‘CAM_XXX’][i][‘attr_label’]：实例的属性标签。我们为属性分类维护了一个属性集合和映射。info[‘cam_instances’][‘CAM_XXX’][i][‘bbox_3d’]：长度为 7 的列表，以 (x, y, z, l, h, w, yaw) 的顺序表示实例的 3D 边界框。info[‘pts_semantic_mask_path’]：激光雷达语义分割标注的文件名。

OccNet 在 nuScenes 基础上推出的 OpenOcc 数据集，提供环视相机图像、3D occupancy 和 occupancy flow 标注等。数据集通过将 Lidar 数据体素化，生成精确的3D真值，支持场景理解和3D重建研究。这一数据集不仅适合静态场景分析，也能用于研究动态环境，为机器视觉等领域的进步提供重要资源。

Occnet 数据集
连接

OccNet
├── data/
│   ├── can_bus/
│   ├── nuscenes/
│   │   ├── maps/
│   │   ├── samples/
│   │   ├── sweeps/
│   │   ├── v1.0-test
│   │   ├── v1.0-trainval
│   │   ├── nuscenes_infos_temporal_train.pkl
│   │   ├── nuscenes_infos_temporal_val.pkl   
│   ├── occ_gt_release_v1_0/
│   │   ├── train/
│   │   ├── val/
│   │   ├── occ_gt_train.json
│   │   ├── occ_gt_val.json
│   │   ├── nuscenes_infos_temporal_train_occ_gt.pkl
│   │   ├── nuscenes_infos_temporal_val_occ_gt.pkl

Occpancy 里面的结构

└── Occpancy3D-nuScenes-V1.0|├── mini|├── trainval|   ├── imgs|   |   ├── CAM_BACK|   |   |   ├── n015-2018-07-18-11-07-57+0800__CAM_BACK__1531883530437525.jpg|   |   |   └── ...|   |   ├── CAM_BACK_LEFT|   |   |   ├── n015-2018-07-18-11-07-57+0800__CAM_BACK_LEFT__1531883530447423.jpg|   |   |   └── ...|   |   └── ...|   |     |   ├── gts  |   |   ├── [scene_name]|   |   |   ├── [frame_token]|   |   |   |   └── labels.npz|   |   |   └── ...|   |   └── ...|   ||   └── annotations.json|└── test├── imgs└── annotations.json

imgs/ 包含由各种相机捕获的图像。
gts/ 包含每个样本的真值数据。[scene_name] 指定一系列帧，而 [frame_token] 指定序列中的单个帧。
annotations.json 包含数据集的元信息。
labels.npz 包含每一帧的 [semantics]（语义）、[mask_lidar]（雷达遮罩）和 [mask_camera]（相机遮罩）。

annotations {"train_split": ["scene-0001", ...],                         <list> -- training dataset split by scene_name"val_split": list ["scene-0003", ...],                      <list> -- validation dataset split by scene_name"scene_infos" {                                             <dict> -- meta infos of the scenes    [scene_name]: {                                         <str> -- name of the scene.  [frame_token]: {                                    <str> -- samples in a scene, ordered by time"timestamp":                                <str> -- timestamp (or token), unique by sample"camera_sensor": {                          <dict> -- meta infos of the camera sensor[cam_token]: {                          <str> -- token of the camera"img_path":                         <str> -- corresponding image file path, *.jpg"intrinsic":                        <float> [3, 3] -- intrinsic camera calibration"extrinsic":{                       <dict> -- extrinsic parameters of the camera"translation":                  <float> [3] -- coordinate system origin in meters"rotation":                     <float> [4] -- coordinate system orientation as quaternion}   "ego_pose": {                       <dict> -- vehicle pose of the camera"translation":                  <float> [3] -- coordinate system origin in meters"rotation":                     <float> [4] -- coordinate system orientation as quaternion}                },...},"ego_pose": {                               <dict> -- vehicle pose"translation":                          <float> [3] -- coordinate system origin in meters"rotation":                             <float> [4] -- coordinate system orientation as quaternion},"gt_path":                                  <str> -- corresponding 3D voxel gt path, *.npz"next":                                     <str> -- frame_token of the previous keyframe in the scene "prev":                                     <str> -- frame_token of the next keyframe in the scene}]             }}
}

榜单
连接