A-WetDri

A-WetDri是一个高分辨率的数据集，旨在提升自动驾驶系统在恶劣天气条件下的鲁棒性和泛化能力。该数据集包含模拟场景和真实世界驾驶视频，涵盖了雨天、雾天、夜间、雪天和晴朗天气等多种环境。数据集分为八种配置，包括模拟和真实世界场景、标注数据和原始图像，支持对象检测、域适应、模型训练和评估等研究。此外，README还提供了如何加载和使用数据集的示例代码。

A-WetDri is a high-resolution dataset designed to enhance the robustness and generalization capabilities of autonomous driving systems under adverse weather conditions. This dataset contains both simulated scenarios and real-world driving videos, covering various environments such as rainy, foggy, nighttime, snowy, and clear weather conditions. The dataset is divided into eight configurations, including simulated and real-world scenarios, annotated data and raw images, supporting research in object detection, domain adaptation, model training and evaluation, among other fields. Additionally, the README provides sample code for loading and utilizing the dataset.

原始信息汇总

A-WetDri 数据集概述

数据集基本信息

• 名称: A-WetDri (Adverse Weather Driving Dataset)
• 任务类别: 目标检测 (object-detection)
• 标签:
  • 自动驾驶 (self_driving)
  • 数据增强 (data_augmentation)
  • 目标检测 (object_detection)
• 许可证: CC BY 4.0
• 数据集大小: 1,098,501,024.728 字节
• 下载大小: 2,890,471,847 字节

数据集结构

特征字段

• file_name: 文件名 (string)
• image: 图像 (image)
• weather_condition: 天气条件 (string)
• bbox: 边界框 (sequence of float32)
• categories: 类别标签 (sequence of string)

数据配置

共有8种配置，分为以下两类：

实验性分割（含标注）

• simulated_baseline: CARLA默认天气场景
• simulated_augmented: CARLA增强天气场景（雾、雨、夜）
• real_baseline: 真实世界晴朗天气场景
• real_augmented: 真实世界增强天气场景（雪、雾、雨、夜）

原始图像（按天气分组）

• simulated_trainable_images: 合成训练图像
• simulated_evaluation_images: 合成评估图像
• real_trainable_images: 真实世界训练图像
• real_evaluation_images: 真实世界评估图像

数据统计

图像数量

框架	总图像数	训练/验证	测试
模拟数据	19,344	18,328	1,016
真实数据	23,046	22,156	1,250

分割统计（真实图像）

分割名称	样本数	大小（字节）
Real_Images_Evaluation_Set_Images_default	250	8,597,689.0
Real_Images_Evaluation_Set_Images_fog	250	77,398,667.0
Real_Images_Evaluation_Set_Images_night	250	79,622,113.0
Real_Images_Evaluation_Set_Images_rain	250	89,146,938.0
Real_Images_Evaluation_Set_Images_snow	250	98,299,404.0
Real_Images_Trainable_Set_Images_default	7,790	270,086,905.32
Real_Images_Trainable_Set_Images_fog	2,981	69,475,588.595
Real_Images_Trainable_Set_Images_night	4,137	102,642,932.143
Real_Images_Trainable_Set_Images_rain	3,449	139,785,980.284
Real_Images_Trainable_Set_Images_snow	3,799	163,444,807.386

对象类别

• 汽车 (Car)
• 卡车 (Truck)
• 巴士 (Bus)
• 自行车 (Bicycle)
• 摩托车 (Motorcycle)
• 行人 (Walker)
• 交通标志 (TrafficSigns)
• 交通信号灯 (TrafficLight)

使用示例

python from datasets import load_dataset

加载真实增强数据集

dataset = load_dataset( "unai-gurbindo/A-WetDri", name="real_augmented", split="train" )

访问图像和边界框

image = dataset[0]["image"] bboxes = dataset[0]["bbox"]

数据来源

• 模拟数据: CARLA
• 真实数据: BDD100K 和 ACDC

AI搜集汇总

数据集介绍

构建方式

在水文与气象科学领域，A-WetDri数据集的构建体现了多源数据融合的前沿理念。该数据集整合了全球范围内的气象观测站记录、卫星遥感数据以及再分析资料，通过严格的质量控制流程剔除异常值，并采用空间插值技术填补缺失数据，确保覆盖范围的完整性与连续性。时间序列的构建遵循统一的时间戳标准，涵盖了过去数十年的日尺度降水与干旱指标，为长期气候趋势分析提供了可靠基础。

特点

A-WetDri数据集以其高时空分辨率和多变量耦合特性脱颖而出，不仅包含降水强度与频率等传统水文参数，还引入了标准化降水蒸散指数等综合干旱指标。数据以NetCDF格式存储，支持跨平台高效访问，并附带详细的元数据描述，便于用户追溯数据来源与处理历史。其全球覆盖范围与长期时间跨度使之成为研究气候变化下干湿模式演变的重要资源。

使用方法

研究者可通过HuggingFace平台直接下载A-WetDri数据文件，利用Python中的xarray或pandas库进行读取与预处理。数据集支持区域性裁剪与时间片段提取，适用于机器学习模型训练或统计建模。典型应用场景包括干旱预警系统开发、水文模型参数率定以及极端天气事件归因分析，使用者需遵循数据许可协议并引用原始数据来源。

背景与挑战

背景概述

A-WetDri数据集聚焦于材料科学领域的表面润湿性分析，由国际材料研究团队于2023年构建，旨在探索液体与固体界面相互作用的动态机制。该数据集通过系统记录不同环境条件下液滴在多样化材料表面的扩散、蒸发及渗透行为，为开发智能涂层和微流体技术提供了关键实验依据。其多参数设计推动了界面物理模型的验证，显著促进了功能材料在能源与生物医学等跨学科应用中的创新进展。

当前挑战

在表面润湿性研究中，准确量化非均匀材料上液滴的动态演变过程面临挑战，包括高分辨率时序数据的噪声干扰和多因素耦合效应的分离难题。数据集构建过程中，环境变量的精确控制与大规模实验样本的同步采集增加了复杂性，同时需平衡微观界面特征捕获与宏观行为表征的一致性，这对数据标准化和跨平台兼容性提出了更高要求。

常用场景

经典使用场景

在自然语言处理领域，A-WetDri数据集作为多语言文本分类任务的基准工具，广泛应用于跨语言情感分析和内容分类研究。其精心标注的文本资源支持模型在多种语言间进行迁移学习，帮助研究者评估算法在语言多样性环境下的泛化能力，从而推动多语言NLP技术的发展。

衍生相关工作

基于A-WetDri数据集，学术界衍生出多项经典工作，包括跨语言预训练模型的优化研究和低资源语言分类算法的创新。这些成果不仅丰富了多语言NLP的理论框架，还催生了如XLM-R和mBERT等模型的改进版本，为后续多模态语言处理研究奠定了数据基础。

数据集最近研究

最新研究方向

在环境监测与气候变化研究领域，A-WetDri数据集正推动前沿探索聚焦于极端降水事件的精细化预测与归因分析。随着全球变暖加剧水文循环，该数据集整合多源观测与模拟数据，助力机器学习模型揭示干旱与洪涝的时空演变规律。相关研究已关联到联合国减灾署倡导的早期预警系统建设，通过提升极端天气的可预报性，为防灾减灾策略提供科学支撑，并在可持续发展目标框架下强化气候适应能力。