Event-Based Crossing Dataset (EBCD)

Event-Based Crossing Dataset (EBCD)是一个面向行人和车辆检测的动态户外环境综合数据集，由马里兰大学的研究团队创建。该数据集采用多阈值框架，通过在十个不同的阈值水平（4, 8, 12, 16, 20, 30, 40, 50, 60, 75）捕获事件基于图像，以评估对象检测在不同稀疏性和噪声抑制条件下的性能。数据集基于南安普顿大学行人数据集制作，包含约30000张图像，旨在推动事件基于视觉的低延迟、高保真度神经形态成像技术的发展。

Event-Based Crossing Dataset (EBCD) is a comprehensive dataset for pedestrian and vehicle detection in dynamic outdoor environments, created by a research team from the University of Maryland. This dataset adopts a multi-threshold framework, capturing event-based images at ten distinct threshold levels (4, 8, 12, 16, 20, 30, 40, 50, 60, 75) to evaluate object detection performance under varying sparsity and noise suppression conditions. Derived from the University of Southampton Pedestrian Dataset, it contains approximately 30,000 images and aims to advance the development of low-latency, high-fidelity neuromorphic imaging technologies based on event-based vision.

搜集汇总

数据集介绍

构建方式

在动态视觉传感技术快速发展的背景下，Event-Based Crossing Dataset (EBCD) 通过创新的多阈值框架构建而成。该数据集基于NTU行人数据集中的33段动态过街视频，采用十级离散阈值（4至75）对事件触发像素进行分层采样，将原始1920×1080视频帧降采样为416×416分辨率后，通过算法1的像素激活统计方法生成30,039张事件图像。研究团队使用Roboflow平台进行精细化标注，采用四名标注员交叉验证机制，确保边界框精准覆盖行人及车辆动态特征，最终形成包含训练集（2,127样本）、验证集（607样本）和测试集（305样本）的标准结构化数据。

特点

EBCD的核心特征体现在其突破性的环境适应性设计。区别于传统固定阈值事件数据集，该数据集通过十级可编程阈值实现噪声抑制与特征保留的动态平衡，在T4阈值下保留90.09%环境噪声细节，而在T75阈值时将非目标区域激活率降至5.96%。数据分布呈现显著的空间异质性，户外场景像素激活密度达室内样本的5.2倍，为研究光照突变、动态遮挡等复杂场景提供丰富样本。每张图像配套Darknet格式的归一化坐标标注文件，支持YOLO系列等主流检测架构的直接训练，其多粒度阈值特性为探索时空稀疏性与检测精度的关联规律建立新范式。

使用方法

该数据集支持端到端的事件视觉算法开发流程。研究者可通过阈值目录层级访问不同稀疏度的数据子集（如threshold_16.zip），直接加载JPG图像与对应TXT标注进行模型训练。基准测试表明YOLOv4在T16阈值下取得81% AP50最优性能，推荐以此作为初始实验配置。对于高级应用，可利用算法1导出的Atotal、Abboxes等激活指标，量化分析阈值变化对目标/背景像素分布的影响。数据集配套提供预训练权重与损失曲线分析工具，支持在Ubuntu系统下通过PyTorch或TensorFlow框架复现论文中的跨模型对比实验，其结构化存储格式便于扩展至其他脉冲神经网络研究。

背景与挑战

背景概述

Event-Based Crossing Dataset (EBCD) 是由Joey Mulé、Dhandeep Challagundla、Rachit Saini和Riadul Islam等研究人员于2025年提出的一个创新性数据集，专注于动态户外环境中的行人和车辆检测。该数据集的提出源于事件视觉传感技术的快速发展，这种技术通过异步捕捉像素强度的变化，而非传统的静态帧图像，实现了超高的时间分辨率、稀疏数据编码和增强的运动感知能力。EBCD的核心研究问题在于解决传统事件数据集固定阈值限制的不足，通过引入多阈值框架（4至75共十个阈值级别）来优化事件表示，从而更全面地评估不同稀疏度和噪声抑制条件下的物体检测性能。该数据集不仅推动了事件视觉在低延迟、高保真神经形态成像领域的应用，还为自动驾驶、机器人技术和智能交通系统等实时感知任务提供了重要的基准资源。

当前挑战

EBCD数据集面临的挑战主要体现在两个方面：领域问题的挑战和构建过程的挑战。在领域问题方面，事件视觉传感技术虽然具有高时间分辨率和低功耗的优势，但其异步数据特性使得传统图像处理方法难以直接适用，尤其是在动态户外环境中，光照变化、天气条件和运动多样性会引入复杂的噪声和干扰，增加了行人和车辆检测的难度。构建过程中的挑战则包括：1) 多阈值框架的设计与实现，需平衡噪声抑制与关键物体信息保留之间的权衡；2) 数据标注的复杂性，特别是在处理部分遮挡、多目标重叠等场景时，需要确保标注的一致性和精确性；3) 数据集的规模与多样性，需覆盖足够多的真实场景以验证模型的泛化能力。这些挑战使得EBCD的构建不仅需要先进的技术方案，还需严格的标注流程和全面的性能评估。

常用场景

经典使用场景

在动态视觉传感领域，Event-Based Crossing Dataset (EBCD) 以其多阈值事件表征框架，成为评估行人及车辆检测算法性能的基准工具。该数据集通过捕捉10种不同触发阈值（4至75）下的异步像素激活事件，为研究稀疏数据编码与噪声抑制的平衡关系提供了标准化实验环境。其经典应用场景包括在复杂光照变化、快速运动或部分遮挡的户外环境中，测试YOLOv4、EfficientDet等模型对事件流数据的适应性，尤其擅长揭示算法在极端阈值下保留关键物体信息与过滤环境噪声的能力。

解决学术问题

EBCD针对性解决了事件相机领域两个核心学术问题：一是传统固定阈值方法在真实场景中因环境波动导致的检测灵敏度失衡，通过多阈值框架实现了噪声抑制与特征保留的动态权衡；二是填补了户外动态场景下标准化评估数据的空白，其包含的30390张跨阈值标注图像，为量化分析物体检测精度与阈值选择的关联性提供了实证基础。该数据集通过系统化阈值变异实验，推动了神经形态视觉与真实世界动力学对齐的理论研究，对发展低延迟、高保真的脉冲视觉算法具有方法论意义。

衍生相关工作

EBCD的发布催生了一系列神经形态视觉的创新研究：其多阈值范式被扩展应用于SEFD（Smart Event Face Dataset）的面部识别任务；基于该数据集阈值敏感性的发现，研究者提出了动态自适应阈值的Spiking-YOLO架构；在数据生成领域，受EBCD启发的《Event-Based X-ray Imager》工作将多阈值技术迁移至医疗成像。此外，数据集提供的HOG与深度学习模型对比基准，推动了《Extreme Clicking for Efficient Object Annotation》等标注方法的改进，形成从数据采集到算法优化的完整研究链条。