HazyDet

HazyDet是第一个针对无人机视角下雾天场景中的物体检测的基准数据集。它结合了基于物理的合成数据和真实的雾天无人机照片，提供了一个可控且真实的测试平台，用于设计对雾天具有鲁棒性的检测器。数据集包含383,000个真实世界的实例，包括自然雾天捕获和从清晰图像增强的合成雾天场景。

HazyDet is the first benchmark dataset for object detection in foggy scenarios from unmanned aerial vehicle (UAV) viewpoints. It combines physics-based synthetic data and real-world foggy UAV images, providing a controllable and realistic testbed for designing fog-robust object detectors. The dataset contains 383,000 real-world instances, including naturally captured foggy scenes and synthetic foggy scenarios enhanced from clear images.

原始信息汇总

HazyDet 数据集概述

基本信息

• 许可证: CC-BY-NC-4.0
• 任务类别: 目标检测
• 论文地址: https://arxiv.org/abs/2409.19833
• 数据集地址: https://github.com/GrokCV/HazyDet

数据集简介

HazyDet 是首个针对无人机雾天场景目标检测的基准数据集，结合了物理驱动的合成数据和真实雾天无人机照片，为设计抗雾检测器提供了受控且真实的测试环境。

数据集内容

• 总实例数: 383,000
• 数据来源: 自然雾天捕获和合成雾化场景
• 类别: Car, Truck, Bus

数据划分

划分	图像数	实例数	类别	Small	Medium	Large
Train	8,000	264,511	Car	159,491	77,527	5,177
			Truck	4,197	6,262	1,167
			Bus	1,990	7,879	861
Val	1,000	34,560	Car	21,051	9,881	630
			Truck	552	853	103
			Bus	243	1,122	125
Test	2,000	65,322	Car	38,910	19,860	1,256
			Truck	881	1,409	263
			Bus	473	1,991	279
Real-world Train	400	13,753	Car	5,816	6,487	695
			Truck	86	204	57
			Bus	52	256	100
Real-world Test	200	5,543	Car	2,351	2,506	365
			Truck	26	86	30
			Bus	17	107	55

数据集结构

HazyDet/ ├── train/ │ └── clean images/ │ └── hazy images/ │ └── lables/ ├──val/ │ └── clean images/ │ └── hazy images/ │ └── lables/ ├── test/ │ └── clean images/ │ └── hazy images/ │ └── lables/ ├── Real-world/ │ └── train/ │ └── test/ │ └── lables/ └── README.md

下载链接

• Baidu Netdisk: https://pan.baidu.com/s/1KKWqTbG1oBAdlIZrTzTceQ?pwd=grok
• OneDrive: https://1drv.ms/f/s!AmElF7K4aY9p83CqLdm4N-JSo9rg?e=H06ghJ
• 密码: grok

模型性能

目标检测模型

Model	Backbone	#Params (M)	GFLOPs	mAP (Synthetic)	mAP (Real-world)
YOLOv3	Darknet53	61.63	20.19	35.0	30.7
GFL	ResNet50	32.26	198.65	36.8	32.5
YOLOX	CSPDarkNet	8.94	13.32	42.3	35.4
FCOS	ResNet50	32.11	191.48	45.9	32.7
VFNet	ResNet50	32.71	184.32	49.5	35.6
ATTS	ResNet50	32.12	195.58	50.4	36.4
DDOD	ResNet50	32.20	173.05	50.7	37.1
TOOD	ResNet50	32.02	192.51	51.4	36.7
Faster RCNN	ResNet50	41.35	201.72	48.7	33.4
Libra RCNN	ResNet50	41.62	209.92	49.0	34.5
Grid RCNN	ResNet50	64.46	317.44	50.5	35.2
Cascade RCNN	ResNet50	69.15	230.40	51.6	37.2
Conditional DETR	ResNet50	43.55	91.47	30.5	25.8
DAB DETR	ResNet50	43.7	91.02	31.3	27.2
Deform DETR	ResNet50	40.01	203.11	51.5	36.9
DeCoDet (Ours)	ResNet50	34.62	225.37	52.0	38.7

引用

bibtex @article{feng2025HazyDet, title={HazyDet: Open-Source Benchmark for Drone-View Object Detection with Depth-Cues in Hazy Scenes}, author={Changfeng Feng and Zhenyuan Chen and Xiang Li and Chunping Wang and Jian Yang and Ming-Ming Cheng and Yimian Dai and Qiang Fu}, year={2025}, journal={arXiv preprint arXiv:2409.19833}, }

搜集汇总

数据集介绍

构建方式

在无人机视觉感知领域，雾霾条件下的目标检测面临严峻挑战。HazyDet数据集通过融合物理驱动的合成数据与真实雾霾无人机影像，构建了规模达383,000个实例的基准。其数据源包含自然雾霾场景采集的图像，以及基于清晰图像通过大气散射模型生成的合成雾霾样本，形成了包含训练集、验证集、测试集及真实世界子集的完整架构。这种双轨制构建策略既保证了数据的可控性，又确保了场景的真实性与多样性。

特点

作为首个专注于无人机视角雾霾目标检测的大规模基准，HazyDet的突出特点体现在多维度标注体系上。数据集涵盖汽车、卡车、巴士三类目标，并按照目标尺寸划分为小（图像面积占比<0.1%）、中（0.1%-1%）、大（>1%）三个等级，精确反映了无人机航拍视角下的尺度特性。特别设计的真实世界子集包含600幅自然雾霾图像，与合成数据形成互补，为研究合成到真实的域适应问题提供了重要实验平台。

使用方法

针对雾霾导致的视觉退化问题，该数据集支持深度信息融合的检测算法验证。研究者可采用提出的深度条件检测器（DeCoDet）架构，通过深度条件核动态调制特征表示。数据集采用标准目录结构组织，包含清洁图像、雾霾图像及标注文件的分轨存储。训练过程中建议采用渐进域微调策略缓解域偏移，并配合尺度不变修复损失函数提升对噪声深度标注的鲁棒性，最终在真实雾霾测试场景实现最优性能。

背景与挑战

背景概述

随着无人机技术在环境监测、城市管理和灾害响应等领域的广泛应用，无人机视角下的目标检测成为计算机视觉研究的关键方向。然而，在恶劣大气条件下，尤其是雾霾环境中，目标检测性能显著下降，这一问题长期缺乏专门的数据集支持。为填补这一空白，研究团队于2024年推出了HazyDet数据集，该数据集结合物理驱动的合成数据与真实雾霾无人机图像，包含38.3万个标注实例，涵盖车辆、卡车和巴士等目标类别。HazyDet的建立为开发鲁棒的雾霾环境下目标检测算法提供了标准化评估基准，推动了无人机自主系统在复杂气象条件下的实际应用。

当前挑战

雾霾环境下无人机目标检测面临多重挑战：雾霾导致图像对比度降低、色彩失真和细节模糊，严重干扰传统检测模型的特征提取能力；目标尺度变化显著，小型目标在远距离拍摄中仅占图像面积的0.1%以下，难以准确定位。数据集构建过程中，需平衡合成数据与真实场景的域差异，通过渐进式域微调策略缓解模型泛化问题；深度标注的噪声干扰要求设计尺度不变损失函数，确保训练稳定性。此外，真实雾霾数据的采集受气象条件限制，需通过物理模型增强数据多样性，以覆盖不同能见度下的检测场景。

常用场景

经典使用场景

在无人机自主导航领域，HazyDet数据集为有雾条件下的目标检测提供了标准化评估平台。该数据集融合了物理驱动的合成数据与真实雾天航拍图像，涵盖汽车、卡车和巴士等多类目标在不同尺度下的标注信息。研究者通常利用其训练和验证雾霾鲁棒性检测模型，通过对比合成与真实场景数据性能，推动算法在恶劣气象条件下的泛化能力提升。

解决学术问题

该数据集解决了无人机视觉系统中雾霾干扰导致的特征退化难题，填补了恶劣天气下航拍目标检测基准数据的空白。通过提供深度线索与真实雾霾分布的耦合数据，支持了基于深度条件核的动态特征调制等创新方法研究，显著提升了模型在能见度受限场景下的检测精度，为自动驾驶与环境感知研究提供了关键数据支撑。

衍生相关工作

围绕该数据集衍生的经典工作包括深度条件检测器（DeCoDet）架构的提出，其通过深度条件核实现特征动态调制。同时催生了渐进式域微调（PDFT）策略与尺度不变修复损失（SIRLoss）等训练方法，这些创新被广泛应用于跨域目标检测研究，并启发了后续对多模态数据融合的深入探索。