ADD

ADD是首个针对自动驾驶场景的自动脱敏鱼眼数据集，由纵目科技(上海)有限公司创建。该数据集包含650000张图像，涵盖多种自动驾驶场景，包括不同年龄、性别、发型、表情和配件的人脸信息以及不同颜色的车辆牌照信息。数据集通过鱼眼摄像头捕捉，具有较大的视野范围，适用于近距离和低矮的人脸及车辆牌照检测与识别。ADD数据集旨在推动自动驾驶场景中人脸和车辆牌照信息的脱敏研究，解决隐私保护问题，并通过高效的脱敏网络DesCenterNet提供基准测试。

ADD is the first auto-de-identification fisheye dataset tailored for autonomous driving scenarios, created by Zongmu Technology (Shanghai) Co., Ltd. This dataset contains 650,000 images covering diverse autonomous driving scenarios, including facial information of individuals with varying ages, genders, hairstyles, expressions and accessories, as well as vehicle license plate information in different colors. Captured via fisheye cameras, the dataset features a wide field of view, making it suitable for close-range and low-angle facial and vehicle license plate detection and recognition. The ADD dataset aims to promote de-identification research on facial and vehicle license plate information in autonomous driving scenarios, address privacy protection issues, and provide benchmark testing through the efficient de-identification network DesCenterNet.

搜集汇总

数据集介绍

构建方式

在自动驾驶数据安全日益受到关注的背景下，ADD数据集的构建遵循了严谨的工程化流程。研究团队利用环视鱼眼摄像头，在多个城市的不同驾驶场景（包括停车场、街道和高速公路）及时间段采集了超过200小时的原始视频数据。通过以2帧/秒的速率进行抽帧处理，并人工筛选出包含人脸和车牌信息的图像，最终获得了65万张高分辨率图像。为确保数据多样性与质量，团队进一步采用了复制粘贴等数据增强技术，并依据人脸和车牌的密度将数据集细分为三个专用子集。所有图像均经过专业标注人员的精细标注，不仅提供了目标检测框，还包含了用于脱敏评估的像素级分割掩码，特别是对人脸区域进行了三个关键区域的划分。

使用方法

该数据集旨在推动基于深度学习的图像脱敏算法研究。使用者可将其划分为训练集、验证集和测试集，用于训练和评估人脸与车牌检测及脱敏模型。研究论文中提出的多任务脱敏网络可作为基准模型，其两阶段框架整合了目标检测、语义分割与后处理模块，为后续研究提供了清晰的范式。数据集的三个子集（FD, VD, mixD）允许研究者针对纯人脸脱敏、纯车牌脱敏或混合脱敏任务进行专项研究。评估时，需遵循论文定义的mIOFF等指标，该指标对人脸不同区域赋予不同权重，以更准确地反映脱敏算法对关键隐私信息的保护效果。数据集为开发符合数据安全法规的自动驾驶感知系统提供了至关重要的训练与验证资源。

背景与挑战

背景概述

随着自动驾驶技术的迅猛发展，车载摄像头采集的海量图像数据在环境感知与分析中扮演着核心角色。然而，这些图像中常包含行人面部与车辆牌照等敏感信息，其隐私保护问题日益凸显。为响应数据安全法规的号召，并基于鱼眼相机大视场的优势，宗目科技（上海）有限公司与新疆大学的研究团队于2023年联合创建了首个自动驾驶脱敏数据集（ADD）。该数据集包含65万张图像，涵盖多种驾驶场景，旨在推动深度学习在自动驾驶图像脱敏领域的研究，为解决敏感信息保护这一核心问题提供了重要基础。

当前挑战

ADD数据集致力于解决自动驾驶场景中图像脱敏的挑战，其核心在于对行人面部与车辆牌照的精准检测与掩蔽。这一任务面临多重困难：鱼眼图像的大视场与畸变增加了敏感目标的定位难度；复杂光照、遮挡及多样化的面部属性（如年龄、表情）与车牌颜色要求模型具备强大的泛化能力。在构建过程中，研究团队需应对大规模数据标注的成本与质量控制问题，同时设计合理的评估指标（如基于面部特征重要性的IoFF）以量化脱敏效果，确保脱敏处理既符合隐私法规要求，又不影响后续环境分析任务的性能。

常用场景

经典使用场景

在自动驾驶领域，鱼眼相机因其广阔的视野范围而广泛应用于环境感知任务。ADD数据集作为首个专注于自动驾驶场景下图像脱敏的鱼眼数据集，其经典使用场景在于为深度学习模型提供大规模、多样化的训练样本，以支持行人面部和车辆车牌信息的检测与脱敏任务。该数据集覆盖了停车、街道和高速公路等多种驾驶环境，并包含不同时段、年龄、性别及车牌颜色的丰富属性，为模型在复杂真实场景中的鲁棒性评估奠定了坚实基础。

解决学术问题

ADD数据集针对自动驾驶中隐私保护的关键挑战，解决了敏感信息脱敏的学术研究问题。传统图像处理数据集多集中于目标检测与识别，缺乏对隐私信息的专门处理机制。该数据集通过提供650K标注图像，首次系统化地定义了面部与车牌的脱敏任务，并引入了基于重要性加权的评估指标（如IoFF），推动了脱敏算法在精度与效率上的量化比较。其意义在于弥合了数据利用与隐私安全之间的鸿沟，为合规性自动驾驶系统的开发提供了理论支撑与实践基准。

实际应用

在实际应用中，ADD数据集直接服务于智能汽车的数据安全合规需求。随着数据安全法规的完善，自动驾驶车辆在采集环境图像时需对行人面部、车牌等敏感信息进行脱敏处理，方可传输至云端或远程服务器进行分析。该数据集支撑的脱敏模型能够集成于车载计算平台，实现实时检测与模糊处理，确保数据在路径规划、自动泊车等后续任务中的合法使用。这不仅降低了隐私泄露风险，也为车企与技术服务商提供了符合行业标准的技术解决方案。

数据集最近研究

最新研究方向

随着自动驾驶技术的迅猛发展，数据隐私保护已成为该领域亟待解决的关键问题。在此背景下，ADD（Automatic Desensitization Fisheye Dataset）作为首个专注于鱼眼图像中行人面部与车辆车牌信息脱敏的数据集，为自动驾驶场景下的隐私保护研究提供了重要基础。当前前沿研究聚焦于基于深度学习的多任务脱敏网络架构设计，如DesCenterNet，其整合了检测与分割模块，并引入联合脱敏与卡尔曼滤波后处理策略，以提升敏感信息遮蔽的准确性与稳定性。热点事件包括各国数据安全法规的逐步完善，推动了对自动驾驶数据脱敏技术的迫切需求，促使学术界与工业界共同探索高效、实时的脱敏解决方案。该数据集的建立不仅填补了自动驾驶鱼眼图像脱敏数据的空白，还通过引入面部特征重要性加权评估指标（IoFF），为脱敏效果提供了量化标准，对推动自动驾驶系统的安全合规发展具有深远意义。

相关研究论文

• ADD: An Automatic Desensitization Fisheye Dataset for Autonomous Driving

  纵目科技(上海)有限公司 · 2023年