不良条件视觉感知专栏（二）数据集和比赛总结
前言 本文介绍了不良条件视觉感知专栏中的数据集和比赛总结。
本教程禁止转载。同时，本教程来自知识星球【CV技术指南】更多技术教程，可加入星球学习。
欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。
【CV技术指南】CV全栈指导班、基础入门班、论文指导班 全面上线!!
不良条件视觉比赛（Workshop）
| Workshop Name | Link | From |
|---|---|---|
| NightOwls Detection Challenge | https://www.nightowls-dataset.org/nightowls-competition-2020/ | CVPR Workshop2020 |
| ACDC CHALLENGE | https://vision4allseason.net | 每年都有，2022 Vision for All Seasons: Adverse Weather and Lighting Conditions |
| NightOwls Detection Challenge 2020 | https://www.nightowls-dataset.org/nightowls-competition-2020/ | CVPR2020 |
常用的数据集
下表是现在十分热门的数据集及基准。
| Dataset Name | Link | From | Paper Name | Review |
|---|---|---|---|---|
| ACDC | https://acdc.vision.ee.ethz.ch/https://paperswithcode.com/dataset/acdc-adverse-conditions-dataset-with | ICCV2021 | ACDC: The adverse conditions dataset with correspondences for semantic driving scene understanding | ACDC数据集包含了4006张图像，场景均匀地分布在四种常见的不利天气条件下：雾天，夜间，雨天和雪天。每张不利条件的图像有高质量的像素级标注以及对应的在正常条件下几乎相同场景采集的图像，以及一个二值mask来区分图内清晰和不确定的语义内容。 |
| SHIFT | https://www.vis.xyz/shift/https://www.bilibili.com/video/BV1e3411w7DU | CVPR2022 | SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation | SHIFT是一个大型的自动驾驶合成数据集，包含了雾天、雨天、一天的时间、车辆人群的密集和离散，且具有全面的传感器套件和注释。SHIFT计算从8个不同位置的多视图传感器套件中捕获的4800+个序列，支持13个多任务驱动系统的感知任务：语义/实例分割、单眼/立体深度回归、2D/3D目标检测、2D/3D多目标跟踪(MOT)、光流估计、点云配准、视觉测程法、轨迹预测和人体姿态估计。 |
| Seeing Through Fog | https://www.cs.princeton.edu/~fheide/AdverseWeatherFusion/https://www.uni-ulm.de/en/in/driveu/projects/dense-datasets/ | CVPR2020 | Seeing through fog without seeing fog: Deep multimodal sensor fusion in unseen adverse weather | 新型多传感器的恶劣天气数据集，在不同的天气和照明条件下有12,000个样本，并在雾天获得1500次测量。此外该数据集包含准确的标注，用于标注带有描述天气、白天和街道状况的2D和3D边界框和框架标签的类别。 |
| NightCity | https://dmcv.sjtu.edu.cn/people/phd/tanxin/NightCity/index.html | TIP2021 | Night-time Semantic Segmentation with a Large Real Dataset | 为了解决夜间数据的稀缺性，采集了一个名为NightCity的新型数据集，其中包含4297张带有地面真相像素级语义标签的真实夜间图像。（他们的数据集工作与NightLab相关（CVPR2022）） |
| Dark Zurich | https://www.trace.ethz.ch/publications/2019/GCMA_UIoU/ | ICCV 2019 | Guided Curriculum Model Adaptation and Uncertainty-Aware Evaluation for Semantic Nighttime Image Segmentation | Dark Zurich是一个图像数据集，包含总共在夜间、黄昏和白天捕获的8779张图像，以及每张图像的相机各自的GPS坐标。这些GPS注释用于构建跨时间通信，即将每个夜间或黄昏图像与白天的图像相匹配。 |
| Nighttime Driving | http://people.ee.ethz.ch/~daid/NightDriving/# | IEEE International Conference on Intelligent Transportation Systems, 2018 | Dark Model Adaptation: Semantic Image Segmentation from Daytime to Nighttime | Nighttime Driving是一个道路场景的数据集，由35,000张图片组成，从白天到黄昏再到晚上。 |
| Freiburg Thermal | http://thermal.cs.uni-freiburg.de | IROS2020 | HeatNet: Bridging the Day-Night Domain Gap in Semantic Segmentation with Thermal Images | 我们的数据集是在5个白天和3个夜间数据收集运行期间收集的，涵盖夏季到冬季的季节。总体而言，该数据集包含12051张白天和8596张夜间时间同步图像，使用安装在我们数据收集车车顶上的立体声RGB相机（FLIR Blackfly 23S3C）和立体声热成像仪（FLIR ADK）。除了图像外，我们还记录了GPS/IMU数据和激光雷达点云。数据集包含高度多样化的驾驶场景，包括高速公路、人口稠密的城市地区、住宅区和农村地区。我们还提供了一个测试集，包括32张白天和32张夜间注释图像。每张图像都有13个不同对象类别的像素语义标签。 |
不常见的数据集
下表是不常见的数据集
| Dataset Name | Link | From | Paper Name | Review |
|---|---|---|---|---|
| ExDark黑暗下的目标检测 | https://aistudio.baidu.com/aistudio/datasetdetail/129450 | Computer Vision and Image Understanding（CVIU） | Getting to know low-light images with the Exclusively Dark dataset | 这是一个专门在低光照环境下拍摄出针对低光目标检测打数据集。主要作者是Loh, Yuen Peng and Chand, Chee Seng。原描述论文在计算机视觉与图像理解。ExDark数据集收集了一共7363张低光照的图片，从超级弱光环境到普通弱光环境（10种不同的光照条件），一共12个类别（类似于PASCACL VOC）。 |
| NightOwls | https://link.springer.com/chapter/10.1007/978-3-030-20887-5_43 | Asian Conference on Computer Vision（ACCV） | NightOwls: A Pedestrians at Night Dataset | NightOwls由279k帧组成，由行业标准相机在3个国家的夜间录制的40个序列，包括不同的季节和天气条件。所有帧都经过全面注释，并包含其他对象属性，如遮挡、姿势和难度，以及跟踪信息，以识别跨多个帧的同一对象。包括大量用于评估探测器鲁棒性的背景框架，提供了本地超参数调优的验证集，以及在提交服务器上进行评估的测试集。 |
| PST900 | ICRA2020 | PST900: RGB-Thermal Calibration, Dataset and Segmentation Network | PST900，这是一个由894个同步和校准的RGB和热图像对组成的数据集。 | |
| Learning to See in the Dark | https://openaccess.thecvf.com/content_cvpr_2018/papers/Chen_Learning_to_See_CVPR_2018_paper.pdf | CVPR2018 | Learning to See in the Dark | 为了支持基于学习的低光图像处理pipline的开发，引入了原始短曝光低光图像的数据集，以及相应的长曝光参考图像。使用呈现的数据集，我们根据全卷积网络的端到端训练，开发处理低光图像的管道。 |
欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。
【技术文档】《从零搭建pytorch模型教程》122页PDF下载
QQ交流群：470899183。群内有大佬负责解答大家的日常学习、科研、代码问题。
其它文章
【CV技术指南】咱们自己的CV全栈指导班、基础入门班、论文指导班 全面上线!!
CVPR 2023｜21 篇数据集工作汇总（附打包下载链接）
CVPR 2023｜两行代码高效缓解视觉Transformer过拟合，美图&国科大联合提出正则化方法DropKey
ViT-Adapter：用于密集预测任务的视觉 Transformer Adapter
CodeGeeX 130亿参数大模型的调优笔记：比FasterTransformer更快的解决方案
CVPR 2023 深挖无标签数据价值！SOLIDER：用于以人为中心的视觉
上线一天，4k star | Facebook：Segment Anything
Efficient-HRNet | EfficientNet思想+HRNet技术会不会更强更快呢？
ICLR 2023 | SoftMatch: 实现半监督学习中伪标签的质量和数量的trade-off
目标检测创新：一种基于区域的半监督方法，部分标签即可（附原论文下载）
CNN的反击！InceptionNeXt: 当 Inception 遇上 ConvNeXt
拯救脂肪肝第一步！自主诊断脂肪肝：3D医疗影像分割方案MedicalSeg
AI最全资料汇总 | 基础入门、技术前沿、工业应用、部署框架、实战教程学习
