WXSOD

WXSOD是一个用于鲁棒性显著物体检测的数据集，旨在帮助研究在恶劣天气条件下的显著物体检测问题。数据集包含14,945张RGB图像，覆盖超过5,000个场景，包含各种天气噪声，并分为合成训练集、合成测试集和真实测试集。该数据集的设计旨在减少标签成本并确保场景多样性，同时考虑了由天气噪声引起的域差异问题。WXSOD是首个针对恶劣天气条件下RGB显著物体检测的基准数据集，它涵盖了不同类别的显著物体、不同尺寸和数量的显著物体，以及多种天气噪声。数据集的创建过程包括从现有数据集中选择户外场景，并利用图像风格转换库模拟各种天气噪声。此外，WXSOD还包括了从互联网上收集的554张真实场景图像，以增强数据集的真实性。WXSOD的应用领域是显著物体检测，旨在解决在恶劣天气条件下显著物体检测的问题。

WXSOD is a dataset for robust salient object detection, designed to facilitate research on salient object detection under adverse weather conditions. It contains 14,945 RGB images covering over 5,000 scenarios with various weather noises, and is split into three subsets: synthetic training set, synthetic test set, and real test set. The dataset is engineered to reduce labeling costs and ensure scenario diversity, while addressing the domain shift issue induced by weather noises. As the first benchmark dataset for RGB salient object detection under adverse weather conditions, WXSOD covers salient objects of different categories, varying sizes and quantities, as well as multiple types of weather noises. The dataset construction process includes selecting outdoor scenarios from existing datasets and simulating various weather noises via image style transfer libraries. Additionally, WXSOD incorporates 554 real-scenario images collected from the Internet to further improve its realism. The target application of WXSOD is salient object detection, specifically addressing the challenges of salient object detection under adverse weather conditions.

搜集汇总

数据集介绍

构建方式

WXSOD数据集构建采用多源融合策略，从DUTS、DUT-O、ECSSD、HKU-IS和VT5000等五个权威数据集中筛选户外场景图像作为基础数据。通过图像风格迁移技术模拟八类天气噪声（包括雨、雪、雾、低光照、过曝光及其混合类型），并采用分层采样确保噪声类型与强度的多样性。真实测试集从互联网采集554张真实天气图像，由七名专业标注员通过多数投票机制确定显著目标，最终生成像素级精细标注。数据集包含14,945张RGB图像，分为合成训练集、合成测试集和真实测试集三部分，有效支撑模型在合成与真实场景下的泛化能力验证。

特点

WXSOD数据集的核心特征体现在多维度挑战性设计：其涵盖雨、雪、雾、低光照、过曝光等八类天气噪声，且每类噪声包含多强度层级，极大增加了检测任务的复杂性。数据分布方面，90%以上场景仅包含单一显著目标，目标尺寸以中小型为主（占比超85%），符合真实场景中目标尺度的自然分布规律。数据集同时提供像素级显著目标标注与天气类别标签，支持多任务学习。独特的双测试集架构（合成与真实噪声）能够全面评估模型在域适应与泛化性能方面的表现。

使用方法

该数据集适用于恶劣天气下的显著目标检测算法开发与评估。研究者可基于合成训练集训练模型，并分别在合成测试集上验证基础性能，在真实测试集上检验泛化能力。数据集支持端到端训练与多任务学习框架，天气标签可用于辅助分支的监督训练。评估时需采用S-measure、MAE、F-measure、E-measure等十项指标进行全面量化分析。官方提供的WFANet基线模型采用双分支架构，通过天气预测分支提取噪声特征，与显著性检测分支进行特征融合，为后续研究提供了有效的设计范式与性能参照。

背景与挑战

背景概述

WXSOD数据集由杭州电子科技大学团队于2025年构建，旨在解决恶劣天气条件下显著目标检测的算法鲁棒性问题。该数据集包含14,945张涵盖雨、雪、雾、低光照及过曝光等多种天气噪声的RGB图像，并配备像素级标注和天气类别标签。作为首个专注于天气噪声影响的显著目标检测基准，WXSOD通过合成与真实测试集的双重设计，推动了计算机视觉领域在复杂环境下的感知能力研究，为自动驾驶、环境监测等应用提供了关键数据支撑。

当前挑战

WXSOD针对恶劣天气下显著目标检测的域适应问题，核心挑战在于天气噪声对图像结构和对比度的异质性破坏，如雨雪造成的局部细节丢失、雾霾导致的大面积信息衰减以及极端光照引起的目标显著性降低。构建过程中需克服合成数据与真实噪声间的域差异，通过图像风格迁移技术模拟多类型多强度天气噪声，并协调七名专业标注者进行像素级标注以确保标签一致性，同时平衡真实测试集中天气类型与场景复杂度的多样性。

常用场景

经典使用场景

在计算机视觉领域，显著目标检测旨在模拟人类视觉系统识别图像中最吸引注意力的区域。WXSOD数据集专门针对恶劣天气条件下的鲁棒性检测任务，其经典使用场景包括在雨、雪、雾、低光照和过曝光等多种天气噪声干扰下，评估和提升显著目标检测算法的性能。该数据集通过合成测试集和真实测试集的双重设计，全面验证模型在模拟噪声和真实噪声环境中的泛化能力，为算法在复杂环境下的可靠性提供标准化测试平台。

解决学术问题

WXSOD数据集解决了显著目标检测在恶劣天气条件下性能下降的核心学术问题。传统方法在清洁图像上表现良好，但缺乏针对天气噪声的像素级标注数据，导致模型在真实环境中泛化能力不足。该数据集通过提供14,945张涵盖多种天气噪声的RGB图像及其标注，支持天气感知特征学习、噪声鲁棒性建模和跨域泛化研究。其意义在于填补了该领域的数据空白，推动了单阶段端到端检测算法的发展，减少了对图像预处理和多模态数据的依赖。

衍生相关工作

WXSOD数据集催生了多项经典工作，其提出的Weather-aware Feature Aggregation Network (WFANet) 成为恶劣天气显著检测的基线模型。该双分支架构通过天气预测分支学习噪声相关特征，并通过多源融合模块整合语义特征，启发了后续研究如基于频率域的噪声分解、多模态质量感知融合等方向。数据集还促进了跨任务研究，如图像去雨与显著检测的联合优化、自适应天气强度调制机制等，推动了鲁棒计算机视觉领域的算法创新和理论发展。