Awesome_visual_place_recognition_datasets

该合集是一个精心整理的视觉位置识别（VPR）/闭环检测（LCD）数据集列表，覆盖多个研究主题，如长期、跨季节和语义VPR等。它汇总了公开可用的数据集，包括New College、City Centre、St. Lucia、Oxford RobotCar等，并提供每个数据集的详细信息，如图像类型、环境、光照条件和地面真值等。合集旨在支持VPR研究，并会随着新数据集的发布而更新。

This collection is a carefully curated list of Visual Place Recognition (VPR) / Loop Closure Detection (LCD) datasets, covering multiple research topics such as long-term, cross-season, and semantic VPR. It compiles publicly available datasets including New College, City Centre, St. Lucia, Oxford RobotCar, etc., and provides detailed information for each dataset, such as image type, environment, lighting conditions, ground truth, and more. This collection aims to support VPR research and will be updated as new datasets are released.

原始信息汇总

数据集总结：Awesome Visual Place Recognition (VPR) Datasets

该页面汇总了用于视觉地点识别（VPR） 或闭环检测（LCD） 的公开数据集，并按研究主题进行分类。这些数据集是V-SLAM系统的重要组成部分。

数据集分类与列表

通用型（Generic）

数据集名称	年份	图像类型	环境	光照变化	视角变化	真值	标签	额外信息
New College and City Centre	2008	RGB	室外	轻微	是	是	是	GPS
New College Vision and Laser	2009	灰度	室外	轻微	是	是	否	GPS, IMU, 激光雷达
Rawseeds	2006	RGB	室内/室外	无	是	是	否	GPS, 激光雷达
Ford Campus	2011	RGB	城市	轻微	否	是	否	GPS, IMU, 激光雷达
Malaga Parking 6L	2009	RGB	室外	无	否	是	否	GPS, IMU, 激光雷达
KITTI Odometry	2012	灰度/ RGB	城市	轻微	否	是	否	GPS, IMU, 激光雷达

长期变化型（Long-term）

数据集名称	年份	图像类型	环境	光照变化	视角变化	真值	标签	额外信息
St. Lucia	2010	RGB	城市	是	轻微	否	否	GPS
COLD	2009	RGB	室内	是	是	是	是	激光雷达
Oxford RobotCar	2017	RGB	城市	是	否	是	否	GPS, IMU, 激光雷达
Gardens Point Walking	2014	RGB	室内/室外	是	是	否	否	无
MSLS	2020	RGB	城市	是	是	是	否	GPS

跨季节型（Across seasons）

数据集名称	年份	图像类型	环境	光照变化	视角变化	真值	标签	额外信息
Nurburgring and Alderley	2012	RGB	城市	是	否	是	是	无
Nordland	2013	RGB	室外	是	否	是	否	GPS
CMU	2011	RGB	城市	是	是	是	否	GPS
Freiburg (FAS)	2014	RGB	城市	是	否	是	是	GPS
VPRiCE	2015	RGB	室外	是	是	否	否	无

RGB-D型

数据集名称	年份	图像类型	环境	光照变化	视角变化	真值	标签	额外信息
TUM RGB-D	2012	RGB-D	室内	无	是	是	否	IMU
Microsoft 7-Scenes	2013	RGB-D	室内	无	是	是	是	无
ICL-NUIM	2014	RGB-D	室内	无	是	是	否	无

语义型（Semantic）

数据集名称	年份	图像类型	环境	光照变化	视角变化	真值	标签	额外信息
KITTI Semantic	2019	RGB	城市	无	否	是	是	GPS, IMU, 激光雷达
Cityscapes	2016	RGB	城市	无	否	是	是	GPS
CSC	2019	RGB	室外	是	否	是	否	激光雷达

训练网络型（Train networks）

数据集名称	年份	图像类型	环境	光照变化	视角变化	真值	标签	额外信息
Cambridge Landmarks	2015	RGB	室外	是	是	是	是	无
Pittsburgh250k	2013	RGB	城市	是	是	是	是	GPS
Tokyo 24/7	2015	RGB	城市	是	是	是	否	GPS
SPED	2017	RGB	室外	是	是	否	否	无

全向型（Omni-directional）

数据集名称	年份	图像类型	环境	光照变化	视角变化	真值	标签	额外信息
New College Vision and Laser	2009	灰度	室外	轻微	是	是	否	GPS, IMU, 激光雷达
MOLP	2018	灰度/ D	室外	是	否	是	否	GPS
NCLT	2016	RGB	室外	是	是	是	否	GPS, 激光雷达

空中/无人机型（Aerial/UAV）

数据集名称	年份	图像类型	环境	光照变化	视角变化	真值	标签	额外信息
Shopping Street 1/2	2018	灰度	城市	轻微	是	是	否	无
EuRoC	2016	灰度	室内	无	是	是	否	IMU

水下型（Underwater）

数据集名称	年份	图像类型	环境	光照变化	视角变化	真值	标签	额外信息
UWSim	2016	RGB	水下	无	否	是	否	GPS

距离传感器型（Range sensors）

数据集名称	年份	图像类型	环境	光照变化	视角变化	真值	标签	额外信息
MulRan	2020	3D点云	城市	是	否	是	否	激光雷达, 雷达

关键特性

• 持续更新：该列表会随着新VPR数据集的发布而更新。
• 参考论文：关于这些数据集的详细信息，可参考综述论文：Visual Place Recognition: A Survey From Deep Learning Perspective。
• 多样性：数据集覆盖多种场景（室内、室外、城市、水下、空中等）、光照条件和视角变化，适合不同研究需求。

搜集汇总

数据集介绍

构建方式

视觉地点识别（Visual Place Recognition, VPR）作为视觉同步定位与地图构建（V-SLAM）系统中的核心闭环检测组件，其研究进展高度依赖于高质量数据集的支撑。Awesome_visual_place_recognition_datasets 数据集汇编项目由研究者精心梳理，系统性地整合了领域内公开可用的VPR相关数据集。构建过程中，团队依据研究主题对数据集进行多维度分类，涵盖通用场景、长期跨度、季节变迁、RGB-D深度信息、语义理解、训练网络、全景定向、空中与水下环境及范围传感器等专题。每个数据集均被标注了图像类型、环境属性、光照变化、视角差异、真实位姿标签及额外传感器信息等关键元数据，从而构建了一个层次分明、覆盖全面的数据集资源库。

特点

该数据集汇编项目展现出鲜明的结构化特点与实用导向。首先，其分类体系紧密贴合VPR领域的研究热点，如长期视觉定位、跨季节场景匹配及语义增强识别等，为不同方向的研究者提供了精准的数据选型指引。其次，项目收录的数据集时间跨度从2006年延续至2020年，覆盖了从早期经典（如New College）到近期大规模（如MSLS、MulRan）的代表性资源，反映了技术演进的脉络。此外，每个数据集均附有详尽的信息表格，清晰标注了光照变化、视角差异等关键挑战维度，使研究者能够快速评估数据集的适用性与复杂度，显著降低了数据调研的时间成本。

使用方法

使用者可直接通过该仓库的索引列表访问各数据集的原始发布链接，获取完整的图像序列、位姿标注及传感器数据。建议研究者首先根据自身研究主题（如跨季节定位或语义VPR）筛选对应分类，再结合表格中的光照变化、视角差异等属性选择合适的数据集。对于深度学习模型的训练与评估，可优先选用包含真实位姿标注和丰富环境变化的数据集，如Oxford RobotCar或Mapillary Street Level Sequences。此外，仓库引用的综述论文《Visual Place Recognition: A Survey From Deep Learning Perspective》提供了详尽的数据集对比分析，可作为进一步深入研究的参考依据。

背景与挑战

背景概述

视觉位置识别（Visual Place Recognition, VPR）作为视觉同步定位与地图构建（V-SLAM）系统中的关键组成部分，其研究可追溯至2008年Cummins与Newman提出的FAB-MAP算法。该数据集仓库由Xiwu Zhang、Lei Wang及Yan Su于2020年整理发布，旨在系统梳理VPR领域公开可用的数据集资源。核心研究问题聚焦于如何使机器人在光照变化、季节更替、视角差异等复杂条件下，通过视觉信息实现精准的位置辨识。这一整理工作不仅为深度学习时代的VPR研究提供了标准化评测基准，更推动了该领域从传统几何方法向数据驱动范式的转型，其影响广泛渗透至自动驾驶、移动机器人及增强现实等应用场景。

当前挑战

VPR数据集面临的挑战主要体现在领域问题与构建过程两个层面。在领域问题层面，数据集需应对光照条件剧烈变化（如St. Lucia数据集）、跨季节外观差异（如Nordland数据集）以及视角大幅偏移（如Gardens Point Walking数据集）等多重环境干扰，这些因素导致传统基于局部特征的方法鲁棒性不足。在构建过程层面，挑战包括：1）大规模数据采集需协调多传感器（GPS、IMU、LiDAR）的时空同步，如Oxford RobotCar数据集长达一年的持续记录；2）真实场景中难以获取精确的地面真值，尤其在大范围动态环境（如MSLS数据集）中，人工标注成本高昂且易引入噪声；3）数据集覆盖场景的多样性有限，现有资源多集中于城市或结构化环境，对水下、空中等非常规场景的建模仍不充分。

常用场景

经典使用场景

视觉地点识别（VPR）作为视觉同步定位与建图（V-SLAM）系统的核心组件，其经典使用场景在于通过图像匹配技术实现机器人或自动驾驶车辆在未知环境中的位置重定位。该数据集集合涵盖了从城市街道到室内走廊、从白天到夜晚、从春夏到秋冬的多样化视觉条件，为算法在光照变化、季节更替、视角偏移等复杂因素下的鲁棒性评估提供了标准化的测试平台。研究者常利用这些数据训练深度学习模型，以提取具有高度判别性和不变性的视觉特征，从而在长期运行中准确识别已访问过的地点，有效解决环路闭合检测问题。

实际应用

在实际应用层面，该数据集集合为自动驾驶汽车的长距离自主导航、服务机器人的室内外无缝定位以及无人机在GPS信号缺失环境下的视觉归航提供了关键技术支撑。例如，基于Nordland数据集训练的模型可确保火车在四季更迭中沿固定轨道精准识别站点；而利用Tokyo 24/7数据集开发的算法则能帮助城市物流机器人在昼夜交替的复杂街景中保持定位一致性。此外，这些数据还推动了移动增强现实系统中持久化虚拟内容锚定的发展，使得设备能够在用户移动后快速重新识别先前标记的物理位置，从而提升用户体验的连续性与沉浸感。

衍生相关工作

该数据集集合催生了一系列具有里程碑意义的学术工作，其中FAB-MAP作为基于外观的概率定位框架，首次在New College和City Centre数据集上展示了实时闭环检测的可行性，奠定了现代VPR方法的理论基础。后续研究如NetVLAD利用Pittsburgh250k数据集训练可端到端学习的全局描述子，将传统图像检索范式与深度特征提取深度融合，显著提升了大规模地点检索的性能。近年来，基于Transformer的视觉定位模型在MSLS数据集上的突破，进一步证明了注意力机制在应对剧烈视角和光照变化时的优越性。这些衍生工作不仅推动了VPR领域的持续演进，也为其他视觉识别任务提供了可迁移的方法论启示。