Event-based Small object detection (EVSOD) dataset (namely EV-UAV)

EV-UAV是一个针对反无人机任务的大型、高度多样性的事件相机小型目标检测数据集。它包含147个事件序列，超过230万个事件级标注，具有极小的目标（平均6.8 × 5.4像素）和多种场景，如城市杂乱和极端光照条件。该数据集旨在解决传统相机在复杂环境中检测小型物体的挑战，并提供了一个基准，以促进未来事件相机小型目标检测研究的发展。

EV-UAV is a large-scale, highly diverse event camera-based small object detection dataset for anti-drone missions. It consists of 147 event sequences and over 2.3 million event-level annotations, featuring extremely small targets (averaging 6.8 × 5.4 pixels) and diverse scenarios including urban clutter and extreme lighting conditions. This dataset aims to address the challenges of small object detection with traditional cameras in complex environments, and provides a benchmark to facilitate the advancement of future research on event camera-based small object detection.

原始信息汇总

EV-UAV 数据集概述

🌟 摘要

EV-UAV 是首个针对反无人机任务的大规模、高多样性事件基准数据集，专注于微小物体检测（SOD）。该数据集利用事件相机的高时间分辨率和动态范围优势，解决了传统帧式相机在复杂环境下检测微小物体的局限性。

📊 数据集特点

• 规模：包含147个事件序列，超过230万事件级标注
• 目标尺寸：平均6.8×5.4像素（现有数据集目标尺寸的1/50）
• 场景多样性：涵盖城市杂乱环境和极端光照条件
• 标注类型：事件级分割标注（Seg）
• 无人机特性：100%无人机中心序列，支持多目标和单目标场景

📂 数据结构

EV-UAV/ ├── test/ ├── train/ └── val/

数据以.npz格式存储

📝 数据格式

每行事件数据包含：

• x, y：像素坐标
• timestamp：事件发生时间（微秒）
• polarity：亮度变化极性（+1/-1）
• label：无人机标识（0/1）
• id：无人机身份标识

⬇️ 获取方式

需填写指定表单获取数据集访问权限

🚀 基准方法

提出EV-SpSegNet网络架构：

• 采用U型编码器-解码器结构
• 包含三个核心组件：
  • GDSCA模块（分组扩张稀疏卷积）
  • Sp-SE模块（特征融合）
  • Patch Attention块（体素下采样）
• 创新性STCLOSS损失函数：通过评估局部时空一致性优化目标事件提取

环境配置

1. 创建conda环境
2. 安装依赖项
3. 安装spconv库
4. 编译外部C++/CUDA操作

代码运行

• 配置文件：configs/evisseg_evuav.yaml
• 训练：train.py
• 测试：test.py

致谢

基于HAIS和spconv代码库开发

搜集汇总

数据集介绍

构建方式

EV-UAV数据集的构建采用了高精度的DAVIS346事件相机进行数据采集，该相机具备346×260的空间分辨率和高达106Hz的时间分辨率。数据采集历时13个月（2023年5月至2024年6月），覆盖不同时段、季节及天气条件，通过固定监控场景下捕获无人机多维度运动模式（包括前进、侧移、升降等复合动作）。标注环节创新性地提出三维时空立方体标注法，将传统2D边界框沿时间轴扩展为3D标注体，实现对微秒级事件流的细粒度标注，最终形成包含147个序列、2030万目标事件的标注数据集。

特点

该数据集具有三大核心特征：目标尺度极端微小（平均6.8×5.4像素，45%目标小于8²像素），场景多样性覆盖城市建筑至自然地貌等复杂背景，以及全光照条件（正常/强光/弱光）下的数据平衡分布。其事件级标注精度较现有数据集提升两个数量级，支持点云空间直接分割算法开发。时空连续性方面，目标运动轨迹在XYT三维空间中呈现独特曲线特征，为基于运动连续性的检测算法提供天然优势。

使用方法

EV-UAV支持三种典型使用范式：其一，直接处理原始事件流进行点云空间分割，适用于EV-SpSegNet等稀疏卷积网络；其二，将事件流累积为体素网格，兼容传统CNN架构；其三，通过时间切片生成事件帧序列，适配基于帧的检测算法。评估时建议采用时空联合指标（IoU+ACC）与抗干扰指标（Pd+Fa）的组合验证。数据集已预分割为训练/验证/测试集（99/24/24序列），并配套提供标准化的时空相关性损失（STC Loss）实现方案。

背景与挑战

背景概述

EV-UAV数据集是首个针对基于事件相机的小目标检测（EVSOD）任务的大规模基准数据集，由Nuo Chen等研究人员于2025年6月提出。该数据集专注于反无人机（anti-UAV）任务中的小目标检测问题，旨在解决传统帧式相机在复杂环境下检测小目标时的局限性。EV-UAV包含147个事件序列，超过230万个事件级标注，目标平均尺寸仅为6.8×5.4像素，涵盖了城市杂乱背景和极端光照等多种场景。数据集的推出填补了事件相机在小目标检测领域的空白，为相关算法的发展提供了重要支撑。

当前挑战

EV-UAV数据集面临的挑战主要包括两个方面：领域问题的挑战和构建过程的挑战。在领域问题方面，小目标检测本身存在目标尺寸极小、外观特征有限以及背景杂乱导致的误检问题。事件相机虽然具有高动态范围和微秒级时间分辨率，但小目标的稀疏性和运动连续性要求算法能够有效捕捉时空相关性。在构建过程方面，数据标注是一大挑战，由于事件相机的异步输出特性，传统标注方法无法满足事件级标注的需求，研究团队开发了一种基于3D边界框的近似事件级标注方法，以平衡标注精度和效率。此外，数据集的多样性和真实性要求覆盖多种光照条件和复杂背景，这增加了数据采集和标注的难度。

常用场景

经典使用场景

在反无人机任务中，小型物体检测（SOD）面临无人机尺寸微小和背景复杂的双重挑战。传统基于帧的相机由于低帧率、有限的动态范围和数据冗余，难以在复杂环境中有效检测小型物体。事件相机凭借微秒级时间分辨率和高动态范围，为SOD提供了更高效的解决方案。EV-UAV数据集作为首个大规模、高多样性的反无人机任务基准，包含147个序列和超过230万事件级标注，目标平均尺寸仅为6.8×5.4像素，覆盖城市杂乱和极端光照等多种场景。该数据集特别适用于研究事件相机在微小目标检测中的性能表现，为算法开发提供了丰富的实验数据。

解决学术问题

EV-UAV数据集解决了事件相机在小型物体检测领域的多个关键学术问题。首先，填补了现有事件数据集在规模、目标尺寸和背景多样性上的不足，为微小目标检测提供了专用基准。其次，通过事件级细粒度标注，支持了点云空间直接分割等新型算法的开发，突破了传统帧转换方法导致的时间信息丢失问题。此外，数据集涵盖的极端光照和复杂背景场景，为研究算法在真实环境中的鲁棒性提供了验证平台。这些贡献显著推动了事件相机在反无人机等安全关键领域的应用研究。

衍生相关工作

EV-UAV数据集催生了一系列创新性研究工作。基于该数据集提出的EV-SpSegNet框架开创性地利用时空点云中目标形成的连续曲线特征，设计了分组扩张稀疏卷积注意力模块（GDSCA）和时空相关性损失（STC）。这些方法启发了后续关于事件数据稀疏表征的研究方向。数据集还被用于验证13种前沿算法的性能，包括4种基于帧的方法、6种基于事件的方法和3种点云分割方法，为领域提供了首个系统性基准。相关技术路线推动了事件相机与脉冲神经网络（SNN）等新型架构的结合研究。