DenseOoS, QuadOoS

全景图像分割数据集DenseOoS和QuadOoS，用于全景图像分割任务的评估。DenseOoS数据集包含在复杂环境中具有多样异常的全景图像，而QuadOoS数据集则由四足机器人捕捉，包含更多异常物体。这些数据集旨在解决全景图像分割中存在的背景杂乱和像素畸变问题，并为全景场景理解提供重要基准。

The panoptic image segmentation datasets DenseOoS and QuadOoS are designed for evaluating panoptic image segmentation tasks. The DenseOoS dataset contains panoramic images with diverse anomalies in complex environments, while the QuadOoS dataset is captured by quadruped robots and includes more anomalous objects. These datasets aim to address the issues of cluttered backgrounds and pixel distortions in panoptic image segmentation, and provide critical benchmarks for panoptic scene understanding.

原始信息汇总

数据集概述：Panoramic Out-of-Distribution Segmentation (PanOoS)

数据集简介

• 任务定义：全景图像中的分布外分割（PanOoS），旨在实现全景图像中的异常检测与分割。
• 核心挑战：解决现有全景语义分割方法无法识别异常，以及针孔OoS模型在全景域表现不佳的问题。

数据集特点

• 创新性：首个针对全景图像的OoS任务解决方案。
• 技术亮点：
  • 采用文本引导的提示分布学习（POS）适应全景图像特性。
  • 引入解缠策略以增强CLIP的跨域泛化能力。
  • 提出基于提示的恢复注意力（PRA）和双层提示分布学习（BPDL）优化语义解码。

基准数据集

• DenseOoS：包含复杂环境中多样化的异常样本。
• QuadOoS：通过四足机器人搭载全景环形镜头系统采集。

性能表现

• DenseOoS指标：
  • AuPRC提升34.25%。
  • FPR95降低21.42%。
• 封闭集分割能力：达到领先水平。

数据可用性

• 发布计划：代码和数据集将在论文被接受后公开。

相关文献

• 参考开源项目：Mask2Former、RbA、FC-CLIP。
• 引用文献：arXiv:2505.03539（2025年预印本）。

作者信息

• 主要贡献者：Mengfei Duan、Kailun Yang†、Yuheng Zhang等。
• 机构：未明确提及，部分作者关联湖南大学机器人视觉实验室。

搜集汇总

数据集介绍

构建方式

DenseOoS和QuadOoS数据集的构建采用了前沿的计算机视觉技术，特别是针对全景图像中的异常分割任务。DenseOoS通过人工筛选和先进的图像生成技术（如POC算法），在复杂环境中嵌入了多样化的异常对象，确保了数据的高质量和合理性。QuadOoS则通过四足机器人搭载全景环形镜头系统，在真实运动场景中采集包含异常对象的图像，进一步验证了模型在非结构化环境中的性能。

使用方法

DenseOoS和QuadOoS数据集的使用方法主要包括模型训练和评估。研究人员可以利用这些数据集进行全景异常分割任务的训练，通过对比不同模型在AuPRC、FPR95和mIoU等指标上的表现，验证其性能。此外，这些数据集还可用于探索模型在动态和非结构化环境中的适应性，推动全景场景理解技术的发展。

背景与挑战

背景概述

DenseOoS和QuadOoS是由Hunan University和Karlsruhe Institute of Technology的研究团队于2025年提出的全景图像异常分割数据集。这些数据集旨在解决全景图像中异常区域分割的挑战，特别是在自动驾驶和移动机器人等实际应用场景中。全景图像由于其超宽视场（FoV），能够捕捉360°的环境信息，但同时也带来了背景杂乱和像素扭曲等问题，使得传统的语义分割方法难以有效识别异常区域。DenseOoS和QuadOoS的建立填补了全景异常分割数据集的空白，为相关研究提供了重要的基准。

当前挑战

DenseOoS和QuadOoS数据集面临的挑战主要包括两个方面：1) 领域问题的挑战：全景图像中的异常分割需要处理背景杂乱和像素扭曲等问题，这些问题使得传统的图像分割方法难以有效识别异常区域；2) 构建过程中的挑战：数据集的构建需要处理全景图像的复杂背景和异常区域的多样性，同时确保标注的准确性和合理性。此外，QuadOoS数据集还面临运动模糊和不均匀曝光等实际场景中的挑战，进一步增加了数据集的构建难度。

常用场景

经典使用场景

DenseOoS和QuadOoS数据集在360度全景图像分析领域具有重要应用价值，特别是在全景异常分割（PanOoS）任务中。这些数据集被广泛用于训练和评估模型在全景图像中识别和分割异常区域的能力。由于全景图像具有超宽的视野（FoV），能够捕捉到比传统针孔相机更丰富的场景信息，因此特别适用于自动驾驶、机器人导航和智能监控等需要全方位环境感知的场景。

解决学术问题

DenseOoS和QuadOoS数据集解决了全景图像分析中的几个关键学术问题。首先，它们填补了全景异常分割领域的数据空白，为研究提供了高质量的标注数据。其次，这些数据集通过引入复杂的背景干扰和像素失真，帮助研究者开发更鲁棒的算法来处理全景图像特有的挑战。此外，QuadOoS数据集通过四足机器人采集的动态场景数据，进一步推动了在非结构化环境中的全景异常分割研究。

实际应用

在实际应用中，DenseOoS和QuadOoS数据集为自动驾驶系统和移动机器人提供了重要的测试平台。通过在这些数据集上训练的模型，系统能够在复杂环境中更准确地识别异常物体（如道路上的动物或障碍物），从而提高安全性。此外，这些数据集还可用于智能监控系统，帮助识别全景监控视频中的异常事件或物体。

数据集最近研究

最新研究方向

近年来，全景图像处理技术在计算机视觉领域取得了显著进展，特别是在全景语义分割方面。然而，现有的全景语义分割方法往往无法有效识别分布外的异常物体，这在实际应用中带来了潜在的安全隐患。为了应对这一挑战，研究人员提出了全景分布外分割（PanOoS）这一新任务，旨在通过全景图像的广视角特性，实现对异常物体的精准检测。最新的研究聚焦于结合视觉-语言模型（如CLIP）的泛化能力，通过文本引导的提示分布学习（Prompt Distribution Learning）来优化像素级语义解码。具体而言，研究团队提出了基于提示的恢复注意力（PRA）机制和双层提示分布学习（BPDL）策略，显著提升了模型在复杂全景场景中的语义理解能力和异常检测性能。此外，为了弥补PanOoS数据集的不足，研究人员还构建了两个新的基准数据集DenseOoS和QuadOoS，分别针对复杂环境中的多样化异常物体和四足机器人采集的真实运动场景。实验结果表明，这些方法在AuPRC和FPR95等指标上显著优于现有的针孔-OoS方法，为全景场景理解提供了新的技术支撑。

相关研究论文

• Panoramic Out-of-Distribution Segmentation

  湖南大学 · 2025年