FoggyLane

FoggyLane数据集是由中山大学智能系统工程学院广东关键实验室智能交通系统研究团队创建的，包含1423张在雾天实际道路场景中捕获并注释的图像。该数据集旨在解决现有车道检测算法在雾天条件下性能下降的问题，为训练和测试雾天环境下的车道检测算法提供了重要的数据资源。

The FoggyLane Dataset was created by the Intelligent Transportation Systems Research Team of the Guangdong Provincial Key Laboratory, School of Intelligent Systems Engineering, Sun Yat-sen University. It contains 1,423 annotated images captured from real-world road scenarios under foggy conditions. This dataset aims to address the performance degradation issue of existing lane detection algorithms under foggy conditions, providing an important data resource for training and testing lane detection algorithms in foggy environments.

搜集汇总

数据集介绍

构建方式

FoggyLane数据集的构建采用了真实世界雾天场景的采集与合成方法。研究团队在苏州和乌鲁木齐等地的不同时间段进行了实地拍摄，使用单目前置摄像头捕获了多种雾天条件下的道路图像。为了增强数据多样性，团队还从公开视频平台下载了雾天驾驶片段进行补充。所有图像经过统一的分辨率调整（1640×590像素）和严格标注，最终形成了包含1,423张图像的数据集。此外，基于现有CULane和Tusimple数据集，通过大气散射模型合成了FoggyCULane和FoggyTusimple两个补充数据集，采用深度估计网络S2R-DepthNet计算场景深度，并结合暗通道先验算法模拟不同浓度的雾效。

特点

FoggyLane数据集具有两大显著特征：场景多样性与标注精确性。作为首个专为雾天车道检测设计的公开数据集，其覆盖了正常道路、箭头标识、拥挤路段、弯道、夜间及十字路口六类典型场景，且每类场景在训练集与测试集中均匀分布。所有图像均采用LabelMe工具进行实例级标注，遵循严格的标注规范（如标记车道中心线、交叉口连接等）。与现有车道检测数据集相比，FoggyLane首次系统性地解决了雾天场景数据缺失问题，其标注质量显著提升了算法在低能见度条件下的检测一致性。合成数据集FoggyCULane和FoggyTusimple则通过物理模型实现了雾浓度（轻雾/中雾/浓雾）的可控生成，为算法泛化性测试提供了多维度验证基础。

使用方法

该数据集适用于雾天环境下的车道检测算法开发与性能评估。使用时可遵循以下流程：1) 数据划分上采用原始论文推荐的2:1训练测试集比例，确保场景类型均衡；2) 对于FoggyLane数据集，建议采用基于IoU的评估指标（阈值设为0.5），计算精确率、召回率及F1分数；3) 合成数据集FoggyCULane可沿用原CULane的评估协议，而FoggyTusimple则兼容Tusimple官方指标（如20像素容错的准确率计算）；4) 为提升模型鲁棒性，推荐结合论文提出的数据增强策略（如旋转、亮度调整等）。数据集支持Tusimple和CULane两种标注格式，便于现有算法的迁移验证。

背景与挑战

背景概述

FoggyLane数据集由广东智能交通系统重点实验室、中山大学智能系统工程学院的张荣辉教授团队于2023年创建，旨在解决雾天环境下车道检测算法的性能退化问题。作为首个专为雾天场景设计的车道检测基准数据集，FoggyLane包含1,423张真实雾天道路图像，涵盖六种典型交通场景，并衍生出FoggyCULane和FoggyTusimple两个合成数据集。该数据集填补了现有车道检测数据集在恶劣天气条件下的空白，为高级驾驶辅助系统（ADAS）在低能见度环境中的可靠性研究提供了关键数据支撑，推动了自动驾驶领域的环境适应性研究。

当前挑战

FoggyLane数据集主要应对两大挑战：在领域问题层面，雾天场景导致的车道标记模糊、图像对比度下降等光学退化现象，使得传统基于清晰图像的车道检测算法平均准确率下降超过30%；在构建过程层面，真实雾天数据采集受气象条件限制，需通过大气散射模型合成补充数据，且标注时需处理雾效导致的边缘模糊问题。此外，数据分布需平衡不同雾浓度、光照条件及道路类型，确保模型泛化能力。

常用场景

经典使用场景

在智能交通系统（ADAS）领域，FoggyLane数据集专为雾天环境下的车道线检测任务而设计。该数据集通过真实雾天场景采集及合成增强，填补了现有车道检测数据集在恶劣天气条件下的空白。其经典应用场景包括：为基于深度学习的车道检测算法提供训练和测试基准，尤其针对雾天条件下车道边缘模糊、对比度降低等挑战性场景。数据集涵盖白天雾霭、夜间雾灯、弯道交叉口等复杂路况，支持算法在全局特征缺失、局部细节模糊等极端条件下的鲁棒性验证。

解决学术问题

FoggyLane数据集有效解决了智能驾驶领域三大核心学术问题：其一，突破了传统车道检测算法在雾天场景下性能骤降的瓶颈，通过提供真实雾天标注数据支撑端到端模型训练；其二，针对雾天图像全局信息遮蔽问题，数据集中多尺度场景设计促进了特征融合模块的研发；其三，通过合成数据增强技术（如FoggyCULane），解决了真实雾天数据采集成本高、样本稀缺的难题。该数据集推动了注意力机制、边缘增强模块等创新方法在恶劣天气感知任务中的应用。

衍生相关工作

围绕FoggyLane数据集已衍生出多项标志性研究：基于全局特征融合模块（GFFM）的SwinGFFM网络在CVPR 2023取得最优检测精度；中科大团队提出的KFFM模块利用该数据集验证了车道实例间关联建模的有效性；华为诺亚方舟实验室发布的LEEM边缘增强框架在其上获得4.2%的F1分数提升。数据集还催生了FogAdaptNet等跨域自适应方法的创新，相关成果发表于IEEE TITS、IV等顶级期刊会议。