机构名称：
¥ 1.0
抽象的机器学习（需要大型培训数据集）被用于启用感知：自动驾驶操作环境的分割和分类。由于条件和复杂结构的多样性，大型培训数据集很难为越野环境创建。因此，研究人员研究了统一现有数据集的方法，以开发更健壮和通用的机器学习算法。在我们的工作中，我们通过利用以前提出的基于本体的数据集统一技术来证明这种方法的优势。我们演示了建议的框架如何融合现有数据集以创建一个大型跨集成数据集，这不仅是基于预先存在的类，而且基于材料或结构层次结构。通过统一四个最突出的越野数据集DeepScene的Freiburg Forrest，Rellis-3D，RUGD和YCOR数据集来显示这一点。此外，我们演示了在这样的统一数据集上训练的机器学习模型比仅在较小数据集上创建的模型更准确，更健壮。最后，我们演示了如何利用基于猫头鹰的框架找到在机器学习模型的标签和培训期间发生的不一致之处。这项工作可在https://github.com/ tamu-edu/orator-atlas
通过本体统一越野数据集的应用
主要关键词
相关文件推荐
