Conjuntos de datos térmicos de FLIR para el entrenamiento de algoritmos
El conjunto de datos térmicos de iniciación de FLIR permite a los desarrolladores empezar a entrenar a las redes neurales convolucionales (CNN), lo que, a su vez, permitirá a la comunidad de la automoción crear la nueva generación de ADAS y vehículos sin conductor más seguros y eficientes utilizando las rentables cámaras térmicas de FLIR.
Opciones de conjuntos de datos regionales
FLIR ofrece dos conjuntos de datos térmicos que permiten a los investigadores y desarrolladores acelerar las pruebas localizadas de los sensores térmicos en sistemas autocontrolados. Se añadirán más ciudades.
| Conjunto de datos de iniciación GRATUITO | Conjunto de datos mejorado de San Francisco | Conjunto de datos mejorado de Europa | |
|---|---|---|---|
| Imágenes comentadas | ~14 000 | ~10 000 | ~14 000 |
| Clima | Sol y nubes | Sol, nubes, lluvia y niebla | Despejado, nublado, parcialmente nublado, lluvioso |
| Clases | 5 - Coche, bicicleta, persona, perro y otro vehículo | 11 - Coche, señal, luz, personas, camión, autobús, hidrante, bicicleta, motocicleta y tren | 10 - Bicicleta, autobús, coche, hidrante, luz, motocicleta, persona, señal, camión, otros vehículos |
Conjunto de datos térmicos ADAS mejorado de San Francisco
Conjunto de datos térmicos mejorado de la UE
¿Por qué utilizar la detección térmica FLIR para ADAS?
La capacidad de detectar la radiación de infrarrojos o el calor dentro del contexto de ADAS ofrece ventajas complementarias y específicas a tecnologías de sensores existentes, como las cámaras visibles, LiDAR y sistemas de radar:
- Con más de 15 años de experiencia trabajando con Veoneer para fabricar la única cámara térmica con cualificación de automoción, los sensores de FLIR se han instalado en los sistemas de aviso al conductor de más de 600 000 automóviles hasta la fecha.
- Las cámaras térmicas de FLIR pueden emplearse para detectar y clasificar objetos en condiciones difíciles, como la total oscuridad, niebla, humo, mal tiempo y destellos, lo que proporciona un conjunto de datos suplementario más allá de LiDAR, radares y cámaras visibles.
- Cuando se combinan con los datos de luz visible y los datos de escaneo de la distancia de LiDAR y radares, los datos térmicos, junto con el aprendizaje automático, crean un sistema de detección y clasificación más completo.