Cyc-CP

Cyc-CP数据集是由莫纳什大学的研究团队创建，专注于从视频流中检测自行车接近错过事件。该数据集包含18,527个事件，通过GoPro相机和超声波距离传感器收集，涵盖多种骑行环境和时间。数据集的创建旨在通过深度学习模型自动识别危险交互，为骑行者和政策制定者提供重要信息，以增强骑行安全并支持政策制定。

The Cyc-CP Dataset was developed by a research team at Monash University, focusing on detecting bicycle near-miss events from video streams. This dataset contains 18,527 events collected using GoPro cameras and ultrasonic distance sensors, covering a wide range of cycling environments and time periods. The dataset is designed to automatically identify hazardous interactions via deep learning models, delivering critical information for cyclists and policymakers to enhance cycling safety and support policy-making.

搜集汇总

数据集介绍

构建方式

在自行车安全研究领域，数据采集的挑战长期存在。Cyc-CP数据集的构建采用了多源融合策略，以全面覆盖骑行近距错车事件的检测需求。其核心由三部分构成：利用CARLA仿真平台生成的合成数据集，通过参数化模拟各类危险超车场景，并精确提取车辆的物理信息；整合公开的NuScenes自动驾驶数据集，为模型提供丰富的真实交通场景预训练素材；最重要的是，采集并标注了维多利亚州真实道路骑行数据集，包含超过330小时的骑行视频与超声波测距数据，其中根据当地交通法规客观标注了1342起非法超车事件。这种虚实结合的数据构建方式，既解决了真实数据标注成本高昂的难题，又确保了模型训练的多样性与泛化能力。

特点

该数据集在骑行安全分析领域展现出鲜明的特色。其首要特征在于问题定义的双重性，同时支持场景级与实例级近距错车检测，前者判断视频片段是否存在危险事件，后者则需精确定位引发危险的车辆，显著提升了模型的可解释性。其次，数据集遵循客观、可复现的标注准则，依据维多利亚州道路法规中关于最小超车距离的明确规定进行标签生成，避免了主观判断带来的偏差。此外，数据集充分反映了真实骑行场景的复杂性，包含不同光照、天气条件及不稳定摄像头抖动产生的视频，并涵盖了车辆被部分截断等关键但样本稀少的挑战性情况，为模型鲁棒性测试提供了坚实基础。

使用方法

为有效利用Cyc-CP数据集开展研究，论文提供了清晰的基准模型与评估框架。对于场景级检测任务，研究者可采用基于I3D或CNN+LSTM的视频动作识别模型，输入为固定长度的视频片段，输出为二分类结果，并使用准确率、F1分数等指标进行评估。对于实例级检测，则推荐采用两阶段框架：首先使用FCOS3D等单目3D目标检测模型，从视频帧中预测车辆的三维尺寸与位置；随后，依据数据集提供的客观规则（如速度分区下的最小安全距离）设计后处理准则，判定具体车辆是否构成危险超车。数据集已划分训练、验证与测试集，并鼓励研究者在此基础上探索数据增强、多任务学习等进阶方法，以推动骑行安全感知技术的持续发展。

背景与挑战

背景概述

Cyc-CP数据集于2023年由澳大利亚莫纳什大学、迪肯大学及悉尼科技大学等机构的研究团队联合创建，旨在通过视频流检测自行车骑行中的近距离险情事件。该数据集聚焦于骑行安全领域，核心研究问题在于利用计算机视觉技术自动识别机动车与自行车之间可能引发碰撞的危险交互行为。其构建基于真实世界的维多利亚州道路骑行数据与CARLA模拟器生成的合成数据，不仅推动了智能交通系统与人工智能的交叉研究，还为政策制定者提供了量化分析骑行风险的数据基础，对提升城市骑行安全性与促进可持续交通发展具有显著影响力。

当前挑战

Cyc-CP数据集面临的挑战主要体现在两方面：其一，在领域问题层面，自行车近距离险情检测需在复杂动态场景中准确识别交互对象，由于摄像机固定在自行车上，视频存在抖动、视角受限及环境干扰（如光照变化、恶劣天气），这增加了对象检测与三维定位的难度；其二，在构建过程中，数据标注成本高昂且主观性强，险情事件的定义依赖人工经验或地方法规，导致标注一致性难以保证。此外，真实数据中险情样本稀少，类别不平衡问题突出，而合成数据与真实场景间的域差异也限制了模型的泛化能力。

常用场景

经典使用场景

在智能交通与道路安全研究领域，Cyc-CP数据集为自行车近距离超车险情检测提供了标准化的评估基准。该数据集通过整合真实世界骑行视频与合成模拟数据，支持研究者开发基于深度学习的算法，以识别车辆超车过程中违反安全距离的潜在危险事件。其经典应用场景包括训练和验证视频动作识别模型（如I3D和CNN+LSTM）以及单目3D目标检测框架（如FCOS3D），从而实现对险情事件的场景级分类与实例级定位。

衍生相关工作

Cyc-CP数据集的发布催生了一系列围绕骑行安全与视频分析的研究工作。例如，基于该数据集的基准模型Cycling-Net进一步优化了场景级险情分类性能；同时，研究者通过结合合成数据与真实数据训练策略，提升了实例级检测模型在复杂环境下的鲁棒性。这些工作不仅扩展了险情检测的算法边界，也为多模态交通冲突分析、自动驾驶感知系统等相邻领域提供了可借鉴的技术框架。

数据集最近研究

最新研究方向

在智能交通与计算机视觉交叉领域，Cyc-CP数据集的推出标志着骑行安全研究从传统感知分析向精细化、可解释性人工智能检测的范式转变。该数据集聚焦于骑行过程中的近距离险情事件检测，通过引入场景级与实例级双重任务框架，将深度学习模型与单目3D目标检测技术深度融合，以应对动态摄像头视角下的复杂交互识别挑战。前沿研究正着力于利用合成数据与真实世界数据的混合训练策略，提升模型在多变光照、天气条件下的鲁棒性，同时探索基于交通法规的客观量化标准，为城市骑行基础设施优化与安全政策制定提供数据驱动的决策支持。

相关研究论文

• A Benchmark for Cycling Close Pass Near Miss Event Detection from Video Streams

  莫纳什大学 · 2023年