有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Low-light Object Detection (LOD) Dataset|低光目标检测数据集|图像处理数据集
收藏github2021-12-10 更新2024-05-31 收录
下载链接：
https://github.com/ying-fu/LODDataset
下载链接
链接失效反馈资源简介：
这是一个用于低光环境下目标检测的数据集，包含多种类型的图像（如RGB-normal, RGB-dark, RAW-normal, RAW-dark）和相应的注释文件。数据集用于在非常低光条件下进行目标检测的研究。
This dataset is designed for object detection in low-light environments, encompassing a variety of image types (such as RGB-normal, RGB-dark, RAW-normal, RAW-dark) along with corresponding annotation files. It is utilized for research on object detection under extremely low-light conditions.
创建时间：
2021-11-05
原始信息汇总
数据集概述
数据集名称
- Low-light Object Detection (LOD) Dataset
数据集来源
- 由Yang Hong, Kaixuan Wei, Linwei Chen, 和 Ying Fu在BMVC 2021会议上提出。
数据集内容
-
图像类型
- RGB-normal: 长曝光正常光照下的sRGB格式图像。
- RGB-dark: 短曝光低光照下的sRGB格式图像。
- RAW-normal: 长曝光正常光照下的RAW格式图像。
- RAW-dark: 短曝光低光照下的RAW格式图像。
-
标注文件
- 提供每张图像的.xml标注文件，包括RGB-normal, RGB-dark, RAW-normal, 和 RAW-dark的标注。
- 2021年12月更新：提供由RAW-normal图像标注的另一种.xml文件。
数据集下载
- 所有数据文件可通过百度云盘下载，提取码为“2021”。
数据集特点
- 每对短曝光图像对应一个长曝光图像作为Ground Truth。
- 提供Canon EOS 5D Mark IV相机的原始传感器数据。
- 所有图像文件名均为纯数字，短曝光和长曝光图像文件名格式相同，短曝光图像文件名=长曝光图像文件名+1。
引用信息
- 若使用此数据集进行研究，请引用以下文献：
- Yang Hong, Kaixuan Wei, Linwei Chen, and Ying Fu, "Crafting Object Detection in Very Low Light", in BMVC, 2021.
AI搜集汇总
数据集介绍
构建方式
Low-light Object Detection (LOD) 数据集通过将现有的目标检测数据集（如Pascal VOC和COCO）中的标注图像转换为低光条件下的对应图像来构建。该数据集采用了真实的低光合成管道，包括未处理模型和噪声注入模型，以生成低光图像。此外，数据集提供了不同曝光条件下的图像，包括长曝光的正常光图像和短曝光的低光图像，以及相应的RAW格式图像。所有图像均配有详细的标注文件，确保了数据集的完整性和实用性。
使用方法
使用LOD数据集时，用户可以下载包含RGB和RAW格式的图像及其对应的标注文件。数据集提供了详细的下载链接和提取码，确保用户能够方便地获取所需数据。为了更好地利用数据集，建议用户使用Python 3.7、PyTorch 1.7.0和TorchVision 0.8.1等环境进行实验。此外，数据集还提供了原始传感器数据，用户可以根据需要进行自定义的数据处理和分析。
背景与挑战
背景概述
低光物体检测（LOD）数据集是由Yang Hong、Kaixuan Wei、Linwei Chen和Ying Fu在2021年英国机器视觉会议（BMVC）上提出的，旨在解决在极低光照条件下进行物体检测的挑战。该数据集的创建源于对现有物体检测数据集在低光环境下表现不佳的观察，尤其是在夜间或弱光场景中，传统的检测方法往往失效。LOD数据集通过提供长曝光和短曝光的RGB及RAW格式的图像，以及相应的标注文件，为研究人员提供了一个评估和改进低光物体检测算法的基准。该数据集的发布不仅填补了低光物体检测领域的空白，还为计算机视觉领域的研究提供了新的方向和可能性。
当前挑战
LOD数据集面临的主要挑战之一是如何在极低光照条件下准确检测物体。由于低光环境下的图像噪声增加、对比度降低以及细节丢失，传统的物体检测算法难以有效工作。此外，数据集的构建过程中也面临诸多技术难题，如如何从现有的物体检测数据集中生成低光图像，以及如何在保持图像真实性的同时注入适当的噪声。另一个挑战是如何确保标注的准确性和一致性，特别是在RAW格式图像和RGB图像之间进行标注时，需要处理不同格式之间的转换和差异。这些挑战不仅影响了数据集的质量，也对后续的研究和算法开发提出了更高的要求。
常用场景
经典使用场景
在计算机视觉领域，Low-light Object Detection (LOD) 数据集为低光环境下目标检测任务提供了宝贵的资源。该数据集通过提供正常光照和低光条件下的图像对，使得研究人员能够开发和验证在极端光照条件下仍能有效工作的目标检测算法。经典的使用场景包括夜间监控、自动驾驶中的低光环境感知以及低光摄影中的自动对焦和物体识别等。
解决学术问题
LOD 数据集解决了低光环境下目标检测的学术难题，特别是在噪声干扰和低信噪比条件下如何保持检测精度和鲁棒性。该数据集通过提供RAW格式和sRGB格式的图像，以及相应的标注信息，为研究者提供了丰富的实验材料，推动了低光图像处理和目标检测算法的发展，具有重要的学术意义和应用价值。
实际应用
在实际应用中，LOD 数据集为低光环境下的智能系统提供了关键支持。例如，在智能监控系统中，该数据集可以用于训练和优化夜间或低光环境下的目标检测模型，从而提高监控系统的全天候工作能力。此外，在自动驾驶领域，LOD 数据集有助于提升车辆在夜间或恶劣天气条件下的环境感知能力，增强行车安全性。
数据集最近研究
最新研究方向
在计算机视觉领域，低光环境下的目标检测（Low-light Object Detection, LOD）近年来成为研究热点。LOD数据集通过提供正常光照和低光条件下的图像对，推动了低光环境下目标检测算法的发展。该数据集不仅包含RGB格式的图像，还提供了RAW格式的原始数据，为研究者提供了更丰富的数据来源。当前的研究方向主要集中在如何通过深度学习模型提升低光环境下目标检测的准确性和鲁棒性，尤其是在噪声处理和图像增强方面的创新。此外，该数据集的合成管道允许研究者将现有数据集转换为低光版本，进一步推动了低光环境下目标检测技术的应用和研究。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
GEO (Gene Expression Omnibus)
GEO (Gene Expression Omnibus) is a public functional genomics data repository supporting MIAME-compliant data submissions. There are also tools provided to help users query and download experiments and curated gene expression profiles.
OPEN DATA NETWORK 收录
海天瑞声-超大规模中文多领域高质量多轮对话语料库
这是一个符合中国人表达习惯的自然对话数据集，共计约1,0000,000轮，上亿级token，包含正式&非正式风格对话，使用偏口语化自然表达。覆盖工作、生活、校园等场景，及金融、教育、娱乐、体育、汽车、科技等领域。在数据集构成上，DOTS-NLP-216包含了对真实场景的对话采集，及高度还原真实场景的模拟对话这两种方式，兼顾分布的代表性、多样性和样本规模。
魔搭社区 收录
ERIC (Education Resources Information Center)
ERIC (Education Resources Information Center) 是一个广泛的教育文献数据库，包含超过130万条记录，涵盖从1966年至今的教育研究、政策和实践。数据集内容包括教育相关的期刊文章、书籍、研究报告、会议论文、技术报告、政策文件等。
eric.ed.gov 收录
Yahoo Finance Historical Data
该数据集包含来自Yahoo Finance的历史股票数据，涵盖了股票的开盘价、收盘价、最高价、最低价、成交量等信息。数据集的时间跨度从2000年1月至今，提供了全球多个市场的股票数据。
finance.yahoo.com 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。
国家青藏高原科学数据中心 收录