fort-cyber/CFV-Dataset

---
language:
- en
pretty_name: CFV Dataset
size_categories:
- 1B<n<10B
license: apache-2.0
---

# CFV Dataset: Fine-Grained Predictions of Car Orientation from Images

### Description
- **Repository:** [CFV Dataset Repository](https://github.com/fort-cyber/car-orientation)
- **Paper:** [CFV Dataset Paper](https://www.mdpi.com/2079-9292/12/24/4947)

### Dataset Summary
We present the CFV Dataset for estimating the car's orientation from images. Our dataset was obtained by recording cars while walking around them and annotating the frames with the pitch angle value in a semi-automatic manner. All images have the license plates anonymized.

### Data Instance
One instance contains the following keys:
- `image`: The RGB image displaying the car
- `identity`: Unique integer for each recorded car
- `angle`: An integer ranging between 0-360, indicating the pitch angle value of the car in the image (in degrees)
- `x1`, `y1`, `x2`, `y2`: the bounding box of the car

### Citation Information
If you utilize this dataset for any project or research, please cite our paper:
```
@article{catruna2023car,
title={Car Full View Dataset: Fine-Grained Predictions of Car Orientation from Images},
author={Catruna, Andy and Betiu, Pavel and Tertes, Emanuel and Ghita, Vladimir and Radoi, Emilian and Mocanu, Irina and Dascalu, Mihai},
journal={Electronics},
volume={12},
number={24},
pages={4947},
year={2023},
publisher={MDPI}
}
```

language:
- 英语
pretty_name: CFV 数据集
size_categories:
- 10亿 < 样本量 < 100亿
license: Apache-2.0
---

# CFV 数据集：基于图像的汽车朝向细粒度预测

### 说明
- **仓库地址：** [CFV 数据集仓库](https://github.com/fort-cyber/car-orientation)
- **论文链接：** [CFV 数据集研究论文](https://www.mdpi.com/2079-9292/12/24/4947)

### 数据集概述
本研究推出用于基于图像估算汽车朝向的CFV数据集。该数据集通过环绕拍摄汽车并以半自动方式为视频帧标注俯仰角数值的方式构建。所有图像均已对车牌进行匿名化处理。

### 数据实例
单条数据实例包含以下字段：
- `image`：展示目标汽车的RGB（Red Green Blue）图像
- `identity`：用于标识每台被拍摄汽车的唯一整数
- `angle`：取值范围为0~360的整数，表示图像中汽车的俯仰角（单位：度）
- `x1`、`y1`、`x2`、`y2`：汽车的边界框

### 引用信息
若您在项目或研究中使用本数据集，请引用如下论文：

@article{catruna2023car,
title={Car Full View Dataset: Fine-Grained Predictions of Car Orientation from Images},
author={Catruna, Andy and Betiu, Pavel and Tertes, Emanuel and Ghita, Vladimir and Radoi, Emilian and Mocanu, Irina and Dascalu, Mihai},
journal={Electronics},
volume={12},
number={24},
pages={4947},
year={2023},
publisher={MDPI}
}

原始信息汇总

CFV 数据集概述

数据集描述

CFV 数据集用于从图像中估计汽车的方位。该数据集通过在汽车周围行走并半自动地标注帧中的俯仰角值来获取。所有图像中的车牌都已匿名化。

数据集摘要

• 数据集名称: CFV 数据集
• 数据规模: 1B<n<10B
• 许可证: Apache-2.0

数据实例

每个数据实例包含以下键：

• image: 显示汽车的RGB图像
• identity: 每个记录汽车的唯一整数标识
• angle: 表示图像中汽车俯仰角值的整数，范围为0-360度
• x1, y1, x2, y2: 汽车的边界框

引用信息

如在项目或研究中使用此数据集，请引用以下论文：

@article{catruna2023car, title={Car Full View Dataset: Fine-Grained Predictions of Car Orientation from Images}, author={Catruna, Andy and Betiu, Pavel and Tertes, Emanuel and Ghita, Vladimir and Radoi, Emilian and Mocanu, Irina and Dascalu, Mihai}, journal={Electronics}, volume={12}, number={24}, pages={4947}, year={2023}, publisher={MDPI} }

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，车辆姿态估计是自动驾驶与智能监控系统的关键技术之一。CFV数据集的构建采用了实地采集与半自动标注相结合的方法，研究人员通过环绕车辆行走录制视频，从中提取关键帧图像，并利用半自动流程为每帧图像标注车辆的俯仰角角度值，同时对所有图像中的车牌信息进行了匿名化处理，确保了数据隐私与合规性。

特点

该数据集以其精细化的标注维度而著称，每张图像不仅包含车辆的边界框坐标，还提供了0至360度的整数俯仰角标注，实现了对车辆朝向的连续角度刻画。数据规模介于十亿到百亿字节之间，覆盖了多样化的车辆外观与拍摄视角，为模型训练提供了丰富的几何与视觉上下文信息，有效支持了细粒度车辆姿态预测任务的研究。

使用方法

研究人员可通过加载数据集中的图像与对应标注，直接应用于车辆朝向估计模型的训练与评估。典型的使用流程包括读取图像数据、解析边界框与角度标签，并利用这些信息构建回归或分类任务。该数据集兼容常见的深度学习框架，支持端到端的模型开发，可用于验证算法在真实场景下对车辆三维姿态的推理能力。

背景与挑战

背景概述

在计算机视觉领域，车辆姿态估计作为自动驾驶与智能交通系统的关键技术，长期依赖于高精度传感器或复杂三维建模。为应对这一挑战，由罗马尼亚布加勒斯特大学等机构的研究团队于2023年共同构建了CFV数据集，旨在通过单目图像实现车辆俯仰角度的细粒度预测。该数据集通过环绕拍摄方式采集，采用半自动标注流程，不仅为车辆方向估计提供了大规模基准数据，更推动了基于视觉的车辆动态分析研究，为环境感知算法的发展奠定了重要基础。

当前挑战

CFV数据集致力于解决车辆姿态估计中角度预测的细粒度挑战，尤其在复杂光照、遮挡及背景干扰下保持高精度预测仍存在困难。数据构建过程中，研究团队需克服标注一致性难题，通过半自动方法平衡效率与准确性；同时，为保护隐私而对车牌信息进行匿名化处理，增加了数据预处理的复杂性。这些挑战共同凸显了在真实场景下实现鲁棒、可扩展的视觉姿态估计仍需进一步探索。

常用场景

经典使用场景

在计算机视觉领域，车辆姿态估计是自动驾驶与智能交通系统的核心任务之一。CFV数据集通过提供精细标注的车辆俯仰角信息，为研究者构建和验证车辆方向预测模型奠定了数据基础。该数据集通常被用于训练深度神经网络，以从单目图像中准确推断车辆的朝向角度，其标注的边界框与角度值共同支持端到端的监督学习框架。

衍生相关工作

基于CFV数据集，已衍生出多项经典研究工作，主要集中在改进车辆姿态估计的深度学习架构上。例如，研究者利用该数据训练卷积神经网络与Transformer模型，以提升角度预测的精度与鲁棒性。这些工作不仅验证了数据集的实用性，还推动了细粒度视觉任务在自动驾驶领域的算法创新，为后续多模态融合与实时姿态估计研究提供了重要参考。

数据集最近研究

最新研究方向

在自动驾驶与智能交通系统领域，车辆姿态估计作为环境感知的关键环节，正受到广泛关注。CFV数据集以其细粒度的车辆俯仰角标注，为基于视觉的车辆方向预测研究提供了高质量基准。当前前沿研究聚焦于利用该数据集探索多模态融合与自监督学习方法，旨在提升复杂场景下车辆姿态估计的鲁棒性与泛化能力。相关热点事件包括结合Transformer架构与几何约束优化，以应对遮挡与光照变化等挑战，推动高精度三维感知技术的发展。这一进展对增强自动驾驶系统的安全决策与车路协同应用具有显著意义，为智能交通的精细化建模奠定了数据基础。