私たちは、インドのチェンナイの道路交通を監視するカメラから独自のデータセット（IITM - HeTra）を作成しました。データが時間的に相関しないようにするため、複数のビデオストリームから2秒ごとにフレームをサンプリングしました。合計で2400フレームを抽出しました。 私たちは、2400フレームを異なる車両カテゴリに手動でラベル付けしました。不明瞭な画像を慎重に精査して除外した後、利用可能なフレーム数は1417に減少しました。最初に、インドの交通で一般的に見られる8つの異なる車両クラスを定義しました。これらのクラスのうちいくつかは似ている一方で、2つのクラスはラベル付けされたインスタンスの数が少なかったため、見た目が似たクラスに統合されました。例えば、私たちのデータセットでは、小型車、SUV、セダンに異なるカテゴリがありましたが、これらは軽自動車（LMV）カテゴリに統合されました。 収集されたデータセットには、合計6319台のラベル付けされた車両が含まれています。これには、二輪車3294台、大型自動車（HMV）279台、乗用車2148台、オートリクシャー598台が含まれます。乗用車とオートリクシャーを軽自動車（LMV）クラスに統合して、2番目のデータセットが作成されました。車両の約25.2％が遮蔽されていました。 この研究を支援してくれた、インド工科大学マドラス校が資金提供するデータサイエンス分野横断研究室とロベルト・ボッシュデータサイエンスと人工知能センター（RBC - DSAI）に感謝します。 あなたがこのデータセットをあなたのデータセットで使用する場合は、次の論文を引用してください。 @inproceedings{mittal2018training, title={Training a deep learning architecture for vehicle detection using limited heterogeneous traffic data}, author={Mittal, Deepak and Reddy, Avinash and Ramadurai, Gitakrishnan and Mitra, Kaushik and Ravindran, Balaraman}, booktitle={2018 10th International Conference on Communication Systems \& Networks (COMSNETS)}, pages={589--294}, year={2018}, organization={IEEE} }