Dark-traffic

Dark-traffic是一个专为低光交通场景设计的大规模数据集，包含了超过10,000张图像，共有100,000个标注实例。该数据集支持目标检测、实例分割和光流估计，并使用了一种基于现实世界低光分布的物理光照衰减方法生成。它旨在解决低光环境下目标感知的挑战，为相关研究提供了宝贵的数据资源。

Dark-traffic is a large-scale dataset specifically designed for low-light traffic scenarios, containing over 10,000 images and a total of 100,000 annotated instances. This dataset supports tasks including object detection, instance segmentation and optical flow estimation, and is generated via a physical lighting attenuation method based on real-world low-light distributions. It aims to address the challenges of object perception in low-light environments, providing a valuable data resource for related research.

原始信息汇总

数据集概述

数据集名称

A Biologically Inspired Separable Learning Vision Model for Real-time Traffic Object Perception in Dark

数据集描述

专为低光照交通条件下的目标感知任务设计的基准数据集，包含目标检测、实例分割和光流估计三个任务。

数据规模

• 图像数量：约10,000张
• 标注数量：约100,000个

数据内容

• 图像类型：低光照交通场景图像
• 标注类型：目标检测、实例分割、光流估计标注

数据获取

数据集可通过Google Drive下载：https://drive.google.com/drive/folders/1B8EzDn64bGBgyRCfppL_jhcOA3hIwnzi?usp=sharing

发布状态

• 图像数据：已发布
• 标注数据：已于9月05日发布（检测/分割/光流标注）
• 相关代码：SLVM静态和运动感知代码准备中（9月07日更新）

相关研究

基于Expert Systems with Applications期刊论文（DOI：10.1016/j.eswa.2025.129529）构建的数据集

技术依赖

• slim-neck-by-gsconv：https://github.com/AlanLi1997/slim-neck-by-gsconv
• rethinking-fpn：https://github.com/AlanLi1997/rethinking-fpn
• ultralytics：https://github.com/ultralytics/ultralytics
• gmflow：https://github.com/haofeixu/gmflow
• NeuFlow_v2：https://github.com/neufieldrobotics/NeuFlow_v2

搜集汇总

数据集介绍

构建方式

Dark-traffic数据集通过基于真实低光照交通场景统计分布的物理退化方法构建，采用截断正态采样目标统计量，对每个RGB通道进行自适应线性变换以调整对比度和亮度，并通过颜色一致性保护机制减少感知色偏。该方法将COCO-traffic（良好光照）子集转换为低光照版本，并与真实低光照的LIS-traffic合并，形成包含10,425张图像和99,014个实例级像素标注的大规模数据集。

特点

Dark-traffic是当前最大的低光照交通场景数据集，支持目标检测、实例分割和光流估计任务。其图像通过物理退化工序生成，颜色分布与真实低光照场景高度一致，且包含平衡的交通参与者类别标注。数据集避免了人工噪声注入，专注于特征级可读性，为低光照感知模型提供了高保真度的训练和评估基准。

使用方法

该数据集可用于训练和评估低光照环境下的视觉感知模型。研究者可加载图像及对应的XML或JSON格式标注文件，进行目标检测、实例分割或光流估计任务。数据集支持端到端训练，无需额外光照增强预处理，可直接输入模型以测试其在真实低光照条件下的泛化能力和鲁棒性。

背景与挑战

背景概述

Dark-traffic数据集由重庆交通大学与不列颠哥伦比亚大学联合团队于2023年创建，旨在解决低光照交通场景下的实时目标感知难题。该数据集聚焦于智能交通系统中的核心挑战，如夜间自动驾驶、交通监控等关键应用场景，通过物理真实的照明退化模型生成，包含超过10,000张图像和100,000个实例级标注，支持目标检测、实例分割和光流估计三大任务。其创新性在于首次将生物视觉机制与低光照感知相结合，为领域提供了规模最大、标注最密集的基准数据，显著推动了低光照计算机视觉研究的发展。

当前挑战

Dark-traffic数据集主要应对低光照环境下目标感知的领域挑战，包括光子稀缺导致的边界模糊、图像信号熵值过高以及任务无关的增强方法难以实时集成等问题。构建过程中面临双重困难：一是真实低光照数据采集与标注的成本极高，需设计物理可解释的照明退化转移方法以替代生成式模型；二是需平衡视觉保真度与特征空间对齐的矛盾，避免合成噪声注入导致的数据污染，同时确保退化后的图像分布与真实低光照场景的统计特性一致。

常用场景

经典使用场景

在低光照交通场景的智能感知研究中，Dark-traffic数据集被广泛应用于目标检测、实例分割和光流估计任务。该数据集通过物理启发的光照退化方法模拟真实低光环境，为模型提供了丰富的视觉退化特征和密集标注信息，成为评估模型在极端光照条件下泛化能力的基准平台。

实际应用

该数据集直接应用于自动驾驶辅助系统、交通监控和智能导航等实际场景，支持模型在夜间或隧道等低光环境中实现高精度目标识别与运动估计。其构建的物理真实退化数据可有效替代真实采集成本，加速低光感知技术在工业界的落地与优化。

衍生相关工作

基于Dark-traffic衍生的经典工作包括生物启发式可分离学习框架SLVM，其集成了光适应瞳孔机制与特征级可分离卷积，显著提升了YOLO系列和RT-DETR等模型在低光下的性能。此外，该数据集还推动了SNI-r等多尺度特征对齐方法的创新，为低光视觉任务提供了新的架构设计范式。