Virtual KITTI は、オブジェクト検出とマルチオブジェクト追跡、シーンレベルおよびインスタンスレベルのセマンティック セグメンテーション、オプティカル フロー、深度推定など、複数のビデオ理解タスク用のコンピューター ビジョン モデルを学習および評価するためのフォトリアリスティックな合成ビデオ データセットです。

このデータセットには、さまざまな画像条件や気象条件の下で都市環境の 5 つの異なる仮想世界から生成された 50 の高解像度単眼ビデオ (21,260 フレーム) が含まれています。世界は Unity ゲーム エンジンと、現実から仮想への新しいクローン作成方法を使用して作成されました。

これらの合成ビデオには、2D および 3D のマルチオブジェクト トラッキング用に、カテゴリ、インスタンス、フロー、深度の注釈がピクセル レベルで自動的に正確かつ包括的に付けられます。