TJU-DHD

TJU-DHD是由天津大学创建的一个多样化高分辨率数据集，专注于自动驾驶车辆和视频监控中的车辆、行人和骑手检测。该数据集包含115,354张高分辨率图像和709,330个标注对象，具有大规模、丰富多样性和高分辨率的特点。数据集在季节变化、光照变化和天气变化方面具有丰富的多样性。此外，还构建了一个新的多样化行人数据集。通过四个不同的检测器（RetinaNet、FCOS、FPN和Cascade R-CNN）进行实验，旨在推动车辆和行人检测的研究。

TJU-DHD is a diverse high-resolution dataset developed by Tianjin University, focusing on vehicle, pedestrian and rider detection in autonomous driving scenarios and video surveillance. This dataset includes 115,354 high-resolution images and 709,330 annotated objects, characterized by large scale, rich diversity and high resolution. It exhibits substantial diversity across seasonal variations, lighting conditions and weather conditions. Additionally, a new diverse pedestrian dataset has been constructed. Experiments were conducted using four distinct detectors (RetinaNet, FCOS, FPN and Cascade R-CNN), aiming to advance research in vehicle and pedestrian detection.

搜集汇总

数据集介绍

构建方式

在自动驾驶与视频监控领域，车辆、行人及骑行者等目标的精准检测至关重要。为应对现有数据集在特定场景下规模与多样性的局限，TJU-DHD数据集通过系统化采集流程构建而成。该数据集包含交通场景与校园场景两个子集，其中交通场景子集通过车载设备采集，包含60,266张固定分辨率为1624×1200像素的图像；校园场景子集则使用多款移动设备拍摄，包含55,088张分辨率不低于2560×1440像素的图像。所有图像均经过严格标注，共标记709,330个目标实例，涵盖车辆、行人及骑行者等类别，并详细记录了目标的遮挡程度与截断信息。数据采集时间跨度超过一年，确保了季节、光照及天气条件的广泛覆盖。

特点

TJU-DHD数据集以其高分辨率、大规模及丰富多样性为核心特征。图像分辨率显著高于同类数据集，其中交通场景子集保持1624×1200像素的固定高分辨率，校园场景子集分辨率普遍高于2560×1440像素，为小目标检测提供了更丰富的细节信息。数据规模庞大，涵盖115,354张图像与709,330个标注实例，且在目标尺度上呈现极大差异，目标高度范围从11像素至4,152像素。多样性体现在多个维度：不仅覆盖昼夜、逆光、顺光等光照变化，还包含城市道路、高速公路、乡村道路等多类场景，以及晴天、阴雨等多种天气条件，同时囊括春夏秋冬四季差异，显著提升了数据集的现实代表性。

使用方法

TJU-DHD数据集适用于目标检测与行人检测算法的开发与评估。数据集已预先划分为训练集、验证集与测试集，研究者可直接使用其进行模型训练与性能验证。针对目标检测任务，数据集中提供车辆、行人及骑行者等多类别标注；针对行人检测的专项研究，数据集中还提取了包含行人的图像子集，构建了大规模行人检测数据集TJU-DHD-pedestrian，支持同场景与跨场景评估。为便于算法比较，该数据集已基于RetinaNet、FCOS、FPN及Cascade R-CNN等典型检测器提供了基线性能指标。数据集公开于GitHub平台，用户可下载完整数据及标注文件，并参考提供的实验配置进行模型训练与测试。

背景与挑战

背景概述

在自动驾驶与视频监控领域，车辆、行人及骑行者等目标的精准检测是感知模块的核心任务。然而，现有通用数据集如MS COCO虽规模庞大，却未针对特定场景优化，而KITTI、Citypersons等专用数据集则在图像数量、分辨率及多样性方面存在局限。为应对这一挑战，天津大学研究团队于2020年构建了TJU-DHD数据集，涵盖交通与校园两大典型场景，包含超过11万张高分辨率图像及70万余标注实例。该数据集通过覆盖季节、光照、天气等多维度变化，显著提升了目标检测模型在复杂真实环境中的泛化能力，为自动驾驶与智能监控研究提供了关键数据支撑。

当前挑战

TJU-DHD数据集致力于解决特定场景下的小目标与遮挡目标检测难题，其挑战主要体现在两方面：其一，在领域问题层面，小尺度目标因外观模糊、信息有限而难以精准定位，遮挡目标则因局部特征缺失导致类内差异增大，现有检测器在此类任务上性能仍显不足；其二，在构建过程中，需克服高分辨率图像采集与标注的复杂度，确保多季节、多光照条件下数据的一致性与多样性，同时平衡不同场景（如交通与校园）的实例分布与尺度差异，以构建具有广泛代表性的基准数据集。

常用场景

经典使用场景

在自动驾驶与智能监控领域，目标检测技术面临着复杂环境下的精准感知挑战。TJU-DHD数据集以其高分辨率图像与丰富多样性，为研究者提供了评估与优化检测模型的理想平台。该数据集在交通与校园两大典型场景中，涵盖了车辆、行人及骑行者等多类目标，其经典使用场景集中于训练与验证先进检测算法，如单阶段RetinaNet、无锚框FCOS、两阶段FPN及级联Cascade R-CNN，以推动小尺度目标与遮挡目标检测的性能边界。

衍生相关工作

TJU-DHD的发布催生了一系列围绕高分辨率与多样性检测的创新研究。基于该数据集，学者们深入探索了特征金字塔网络的多尺度优化、遮挡感知机制的设计以及跨域自适应检测方法。相关工作如针对小目标检测的级联细化网络、结合可见区域信息的遮挡行人检测模型等，均在该数据集上得到了验证与推进。这些衍生工作不仅丰富了目标检测的技术体系，也为后续大规模场景化数据集的构建树立了重要范式。

数据集最近研究

最新研究方向

在自动驾驶与智能监控领域，高分辨率多场景目标检测数据集TJU-DHD的推出，为小目标检测、遮挡处理及跨场景泛化等前沿问题提供了关键研究基础。当前研究聚焦于利用其丰富的尺度、光照与季节多样性，探索高效的多尺度特征融合架构与轻量化高分辨率图像处理算法，以应对复杂环境下的检测挑战。同时，该数据集通过交通与校园双场景设置，推动了领域自适应与模型泛化能力的研究，成为提升实际系统鲁棒性的重要基准。

相关研究论文

• TJU-DHD: A Diverse High-Resolution Dataset for Object Detection

  天津大学 · 2020年