VAA-KITTI和VAA-KITTI-360

通过合成异常集成流程生成的合成数据集，扩展了原始标签集，引入了异常标签，涵盖26个不同的异常类别，如动物、家具和垃圾袋。

The synthetic dataset, generated through the synthetic anomaly integration process, extends the original label set by introducing anomaly labels, covering 26 different anomaly categories such as animals, furniture, and trash bags.

原始信息汇总

Out-of-Distribution Semantic Occupancy Prediction 数据集概述

数据集简介

• 数据集名称：OccOoD
• 研究领域：语义占用预测（Semantic Occupancy Prediction）
• 主要目标：解决真实场景中分布外（OoD）对象检测的挑战

数据集构成

1. 基础数据集：

   • SemanticKITTI
   • SSCBench-KITTI-360

2. 衍生数据集：

   • VAA-KITTI
   • VAA-KITTI-360
   • 扩展了原始标签集，新增26个异常类别（如动物、家具、垃圾袋等）

数据生成方法

• 采用合成异常集成管道（Synthetic Anomaly Integration Pipeline）
• 在物理和环境约束下生成合成异常
• 确保异常数据的合理性和挑战性

数据状态

• 代码和数据集将在论文被接受后公开
• 最新更新：2025年6月（仓库初始化）

可视化资源

• 可视化示例：https://github.com/7uHeng/OccOoD/blob/main/asserts/Visualization.png
• 合成管道图示：https://github.com/7uHeng/OccOoD/blob/main/asserts/Pipeline.png
• 数据分布图：https://github.com/7uHeng/OccOoD/blob/main/asserts/Distribution.png

致谢

基于以下开源项目：

• SGN
• mmdet3d
• OccRWKV

搜集汇总

数据集介绍

构建方式

在自动驾驶领域，语义占据预测的鲁棒性评估需要多样化的异常样本。VAA-KITTI和VAA-KITTI-360数据集通过创新的合成异常集成流程构建，该流程在物理和环境约束下生成具有合理性的合成异常。基于SemanticKITTI和SSCBench-KITTI-360原始数据集，研究者扩展了标签体系，新增26类异常标签，涵盖动物、家具等多样化异常类别，有效解决了真实场景中异常数据稀缺的难题。

特点

该数据集最显著的特点是实现了真实场景与合成异常的无缝融合。通过严格的物理约束算法，生成的异常物体在尺寸、位置和光照条件等方面均保持场景一致性。26类异常标签体系不仅丰富了语义多样性，其均衡的类别分布更为模型评估提供了科学基准。可视化样例显示，合成异常在点云和图像模态中均展现出逼真的几何与纹理特征。

使用方法

研究者可通过GitHub仓库获取数据集文件，其目录结构保持与原数据集一致以确保兼容性。使用时需注意合成异常标签单独存储在'anomaly_labels'分支中，评估脚本需调用专用指标计算模块。建议与OccOoD框架配合使用，该框架提供数据加载、可视化及基准测试的全流程支持，特别适合用于自动驾驶场景下的分布外检测算法开发。

背景与挑战

背景概述

VAA-KITTI和VAA-KITTI-360数据集由研究团队在2025年基于SemanticKITTI和SSCBench-KITTI-360数据集构建，旨在解决自动驾驶领域中分布外（OoD）语义占据预测的核心问题。该数据集通过创新的合成异常集成流程，在原始标注基础上引入了26类异常物体标签，包括动物、家具等罕见但关键的干扰项，为OoD检测模型的鲁棒性评估提供了标准化测试平台。其构建依托于SGN、mmdet3d等开源框架，显著推动了自动驾驶环境感知系统在复杂开放场景中的可靠性研究。

当前挑战

该数据集主要应对自动驾驶环境感知中OoD物体检测的两大挑战：真实场景中异常样本的稀缺性导致模型泛化能力不足，以及高精度3D标注的成本壁垒。在构建过程中，研究团队需通过物理与环境约束下的合成算法，平衡生成样本的真实性与多样性；同时需解决点云与图像数据的跨模态对齐问题，确保合成异常在几何和语义层面的双重合理性。这些技术难点使得数据集的构建成为一项融合计算机视觉与物理仿真的复合型挑战。

常用场景

经典使用场景

在自动驾驶领域，VAA-KITTI和VAA-KITTI-360数据集为研究异常物体检测提供了重要支持。这些数据集通过合成异常物体，扩展了原始数据集的标注范围，涵盖了26种不同类别的异常物体，如动物、家具和垃圾袋等。研究者可以利用这些数据集，在复杂的真实场景中测试和优化模型的异常检测能力，从而提升自动驾驶系统在开放环境中的鲁棒性。

衍生相关工作

基于VAA-KITTI和VAA-KITTI-360数据集，研究者已经开展了一系列关于异常检测和语义分割的工作。例如，结合SGN和mmdet3d等开源框架，开发了新的异常物体检测算法。这些工作不仅扩展了数据集的用途，还推动了自动驾驶感知技术的进步，为后续研究提供了重要的参考和工具。

数据集最近研究

最新研究方向

在自动驾驶领域，语义占据预测模型的分布外泛化能力已成为当前研究热点。VAA-KITTI和VAA-KITTI-360数据集的推出，通过合成异常整合技术填补了真实场景中罕见异常样本的空白。这些数据集在原有KITTI系列标注体系基础上，创新性地引入26类物理合理的异常物体，为探索复杂城市场景下的开放世界语义理解提供了全新实验平台。其合成管道设计的物理环境约束机制，显著提升了异常样本的空间分布合理性，使得基于该数据集开发的OoD检测模型能更好地应对现实世界中突发障碍物的识别挑战。