ACDC

该数据集是自动化心脏诊断挑战赛的数据集，包含了来自患者的心脏磁共振成像样本。这些样本包括多切片的二维心动MRI图像，并设有固定的数据划分，即70%用于训练，10%用于验证，20%用于测试患者。该数据集共包含了100位患者的数据，任务是对二维图像进行多类别分割。

This dataset is from the Automated Cardiac Diagnosis Challenge, containing cardiac magnetic resonance imaging (MRI) samples from patients. These samples consist of multi-slice two-dimensional cardiac cine MRI images. A fixed data partition is provided: 70% for training, 10% for validation, and 20% for testing. The dataset includes data from a total of 100 patients, and the core task is multi-class segmentation of the two-dimensional images.

AI搜集汇总

数据集介绍

构建方式

在自动驾驶视觉感知领域，恶劣天气与夜间环境对语义分割算法提出了严峻挑战。ACDC数据集的构建采用了系统化的采集与标注流程，旨在覆盖雾、夜、雨、雪四种常见恶劣条件。数据采集过程在瑞士的城市场景中进行，通过车载摄像头分别录制正常条件与恶劣条件下的视频序列，确保每个恶劣条件图像均配有对应正常条件图像。利用GPS信息进行动态编程匹配，建立图像级对应关系，为后续标注提供关键参考。标注工作采用两阶段协议，第一阶段基于恶劣条件图像生成语义标注草案，第二阶段借助对应正常图像与原始视频序列进行修正与完善，最终生成包含有效区域与无效区域区分的高质量像素级标注。

使用方法

ACDC数据集的使用方法灵活多样，主要支持三种实验范式。在监督学习方面，研究者可利用1600张训练图像直接训练语义分割模型，并在406张验证图像上进行调优，最终在2000张测试图像上评估模型在恶劣条件下的泛化能力。在域适应研究中，数据集为正常到恶劣条件的域适应提供了标准测试平台，例如Cityscapes到ACDC的适应实验，可评估无监督与弱监督域适应方法的性能。对于不确定性感知语义分割任务，研究者需同时输出语义预测与置信度图，并使用平均不确定性感知交并比（AUIoU）进行量化评估。数据集的官方评估服务器支持多条件配置，方便研究者提交结果并进行系统比较。

背景与挑战

背景概述

在自动驾驶技术迈向完全自主的进程中，视觉感知系统需具备在各类恶劣视觉条件下精准解析场景的能力。然而，现有语义分割数据集多集中于正常光照与天气条件下的图像，或规模有限，难以满足实际应用需求。为此，苏黎世联邦理工学院等机构的研究团队于2021年推出了ACDC数据集，专注于雾、夜间、雨、雪四种常见恶劣驾驶场景的语义分割研究。该数据集包含4006张高质量像素级标注图像，每张恶劣条件图像均配有同一场景的正常条件对应图像及区分清晰与模糊语义区域的二值掩码，不仅支持标准语义分割任务，还引入了不确定性感知语义分割新范式。ACDC的发布填补了大规模恶劣条件数据集的空白，为自动驾驶视觉系统的鲁棒性评估与算法优化提供了关键基准。

当前挑战

ACDC数据集旨在解决恶劣视觉条件下驾驶场景语义分割的核心挑战，其构建与应用面临多重难题。在领域问题层面，恶劣条件导致图像对比度降低、细节模糊及光照异常，使得传统基于正常条件训练的模型性能显著下降，尤其在夜间与雪天等极端场景中，模型难以准确识别交通参与者与道路结构。构建过程中，数据采集需确保恶劣条件的典型性与强度，同时匹配同一场景的正常条件图像以支持标注与弱监督学习；标注环节则需克服语义内容模糊区域的识别困难，通过两阶段标注协议结合正常图像与原始视频信息，为无效区域分配可靠标签，并生成区分有效与无效区域的二值掩码，这一过程耗时且对标注专业性要求极高。此外，数据集的均衡覆盖与规模扩展亦需协调实际驾驶环境的多变性与标注成本。

常用场景

经典使用场景

在自动驾驶视觉感知领域，ACDC数据集为语义分割任务提供了恶劣天气条件下的标准化评估基准。该数据集覆盖雾天、夜间、雨天和雪天四种典型恶劣视觉环境，每类场景包含精细的像素级语义标注，为算法在复杂环境下的鲁棒性验证提供了理想平台。研究者常利用其构建Cityscapes→ACDC跨域适应实验，探索从正常条件到恶劣条件的知识迁移机制，推动语义分割模型在真实驾驶场景中的泛化能力突破。

解决学术问题

ACDC数据集有效解决了自动驾驶领域长期存在的恶劣条件语义分割数据稀缺问题。传统数据集如Cityscapes主要包含正常天气图像，导致模型在雨雾冰雪等场景性能急剧下降。该数据集通过提供4006张高质量标注图像，建立了首个大规模多条件恶劣环境基准，支持不确定性感知分割等新型任务。其标注协议创新性地引入对应正常条件图像作为特权信息，解决了恶劣条件下图像区域语义模糊的标注难题，为领域自适应、鲁棒性学习等研究方向提供了可靠的数据基础。

实际应用

该数据集直接服务于自动驾驶系统的安全性能提升，为车载视觉系统在极端天气条件下的感知模块开发提供训练与验证资源。工业界可基于ACDC开发适应雨雾环境的障碍物检测算法，增强夜间行车场景的行人识别能力。交通管理部门亦可借助其评估智能交通基础设施在恶劣条件下的监控效能。通过与实际车载摄像头数据的结合，该数据集能够指导传感器配置优化与多模态融合策略设计，最终提升自动驾驶系统在复杂气象条件下的决策可靠性。

数据集最近研究

最新研究方向

在自动驾驶视觉感知领域，恶劣天气与夜间条件下的语义分割已成为前沿研究热点。ACDC数据集凭借其涵盖雾、夜、雨、雪四种常见恶劣条件的均衡图像分布，以及高精度像素级标注与不确定性感知分割任务的支持，为领域内研究提供了关键基准。当前研究聚焦于正常至恶劣条件的无监督域适应，如Cityscapes→ACDC场景，揭示了现有方法在真实恶劣域中性能提升有限的挑战，推动了针对域偏移鲁棒性新算法的探索。同时，不确定性感知分割任务通过引入无效区域掩码与置信度预测，促进了模型在安全关键场景中决策可靠性的提升。该数据集不仅强化了语义分割模型在复杂环境下的泛化能力，还为多条件联合训练与模型正则化提供了重要数据基础，助力自动驾驶系统在多变现实环境中的稳健部署。

相关研究论文

• ACDC: The Adverse Conditions Dataset with Correspondences for Semantic Driving Scene Understanding

  · 2021年