Snowy Scenes

Snowy Scenes是一个多模态多任务自动驾驶数据集，旨在应对雪天冬季条件下的鲁棒感知。该数据集在芬兰埃斯波的现实城市和高速公路场景中收集，涵盖积雪、降雪和深夜雪地驾驶条件。包含22,331个同步帧、14.4公里行驶数据、5,027个专家标注的LiDAR扫描，支持3D语义分割、3D目标检测、点云去噪/去雪以及多任务3D感知学习。

原始信息汇总

数据集概述

Snowy Scenes 是一个面向雪天自动驾驶的多模态、多任务数据集，旨在提升车辆在积雪和降雪环境下的稳健感知能力。数据采集于芬兰埃斯波的真实城市和高速公路场景，覆盖积雪、活跃降雪及傍晚雪天驾驶等多种冬季条件。

---

数据规模与采集

• 同步帧数：22,331 帧
• 驾驶里程：14.4 公里
• 标注 LiDAR 扫描：5,027 帧
• 传感器配置：
  • 128 线 Velodyne VLS-128 LiDAR
  • 2.3 MP 前视 RGB 相机
  • 3 个 0.3 MP 热成像相机
  • GNSS/IMU 定位与同步系统

---

核心特点

• 真实雪天数据：仅在冬季雪天条件下采集，涵盖积雪、降雪和高速公路雪景。
• 多模态传感器套件：融合高分辨率 LiDAR、RGB、热成像及 GNSS/IMU。
• 丰富的 3D 标注：
  • 点级语义标注，共 27 个语义类别
  • 包含降雪雪花标注
  • 共 221,081 个 3D 边界框

---

数据划分

划分	场景数量	比例
训练集	3,016	60%
验证集	1,005	20%
测试集	1,006	20%

各划分保持相似场景分布：约 60% 降雪场景、20% 高速公路降雪、20% 积雪场景。

---

支持的任务

1. 3D 语义分割：评估 SalsaNext、PTv3、Cylinder3D 等模型。其中 Cylinder3D 实现最高 mIoU 76.38。
2. 点云去雪（De-snowing）：支持雪点与正常点的二分类。Cylinder3D 在有监督去雪中表现最优。
3. 3D 目标检测：评测 LiDAR 及多模态融合模型，融合 RGB 与热成像可提升检测精度。
4. 多任务学习：支持语义分割与目标检测的联合学习。

---

引用信息

使用该数据集时，请引用以下文献：

bibtex @ARTICLE{snowy_scenes_dataset, author = {Ngo, Thien-Thu and Raisuddin, Abu Mohammed and Gouigah, Idriss and Litkey, Paula and Manninen, Petri and Hyyti, Heikki and Maanpää, Jyri and Tuomas, Herranen and Sofie, Väisänen and Kalle, Niemi and Pernickel, Lars and Aksoy, Eren Erdal}, title = {Snowy Scenes Dataset}, year = {2026}, journal={IEEE Robotics and Automation Letters}, url = {https://github.com/snowyscenes/dataset} }

---

获取方式

如需下载数据集，请通过以下邮箱联系：

• [e-mail]
• [e-mail]

搜集汇总

数据集介绍

构建方式

在自动驾驶领域，冬季雪天环境对感知系统构成严峻挑战，雪花的附着与飘落会显著干扰传感器数据的质量。为攻克这一难题，Snowy Scenes数据集应运而生，其构建过程严谨而系统。该数据集在芬兰埃斯波市真实城市场景与高速公路环境中采集，覆盖了积雪、降雪及夜间雪地等多种冬季路况。通过搭载128线激光雷达、前置RGB相机、三台热成像相机及GNSS/IMU系统，同步采集了多模态数据，累计行驶里程达14.4公里，共获取22,331帧同步图像与5,027帧经过精细标注的激光雷达点云。标注工作由领域专家完成，涵盖27个语义类别，包括车辆、行人、道路、建筑等常见要素，并特别针对飘落的雪花进行了逐点标注，同时提供了221,081个三维边界框，为多任务感知研究奠定了坚实的数据基础。

使用方法

使用Snowy Scenes数据集时，研究者可依据具体任务需求灵活调用其多模态资源。数据集已预先划分好训练、验证与测试集，并提供了基准实验的详尽结果，便于用户直接进行方法比较。针对三维语义分割任务，可直接加载点云及对应的逐点语义标签，评测模型在雪天场景下的分割精度；对于点云去雪任务，可利用雪花标注进行二值分割训练并测试去噪效果；在三维目标检测方面，支持基于纯激光雷达输入或融合RGB及热成像的多模态模型，以探索传感器融合对检测性能的提升。此外，数据集还支持联合学习语义分割与目标检测的多任务范式，用户可根据提供的评测协议，复现基准模型或开发新方法，并在GitHub页面获取数据下载方式，通过邮件联系作者获取完整数据。

背景与挑战

背景概述

Snowy Scenes数据集由芬兰阿尔托大学等机构的研究人员于2026年发布，旨在应对自动驾驶在冰雪环境下的感知挑战。该数据集在芬兰埃斯波市的真实城市场景和高速公路上采集，涵盖了积雪、降雪和傍晚雪地驾驶等多种条件，包含22,331帧同步图像和5,027帧精细标注的LiDAR点云，配备128线激光雷达、RGB相机、三台热像仪及GNSS/IMU系统。其独特的27类语义标注和降雪粒子标注，支持3D语义分割、目标检测、点云去雪及多任务学习等研究，为恶劣天气下的自动驾驶感知提供了重要的基准资源。

当前挑战

该数据集面临的挑战包括：一是解决雪天环境下LiDAR点云受降雪粒子干扰、传感器数据质量退化等核心问题，现有模型在语义分割（最佳mIoU为76.38）和去雪任务上性能仍有提升空间，无监督去雪方法精度较低；二是构建过程中需在真实雪天条件下采集多模态数据，并确保传感器同步与精确标注，涉及大量人工成本和时间投入，同时需保证场景分布的均衡性，以支持泛化性能评估。

常用场景

经典使用场景

Snowy Scenes数据集的核心应用场景在于为自动驾驶系统在严苛冬季雪地环境下的感知能力提供基准测试平台。该数据集采集自芬兰埃斯波市真实城市场景与高速公路，涵盖积雪、降雪及夜晚雪地驾驶等多种挑战性条件，包含22,331帧同步多模态数据及5,027帧精细标注的LiDAR点云。其经典使用方式包括：评估与优化3D语义分割模型在雪噪干扰下的鲁棒性，验证点云去雪算法的有效性，以及测试多模态融合（LiDAR、RGB、热成像）对3D目标检测性能的提升。研究者利用该数据集可系统性地量化现有算法在雪天场景中的性能瓶颈，推动面向恶劣天气的自动驾驶感知技术发展。

解决学术问题

该数据集解决了自动驾驶感知领域长期存在的雪天场景数据匮乏的学术难题，为研究雪粒对LiDAR点云的结构性干扰及其对深度学习模型的影响提供了标准化基准。通过提供包含27类语义标签及专属降雪类别的密集标注，它首次实现了对雪噪点进行精确的语义区分，从而支持点云去噪、3D语义分割和目标检测等任务的联合研究。该数据集促进了雪天环境下无监督与有监督去雪方法的系统性对比，揭示了现有模型在雪噪下的脆弱性，推动了鲁棒感知模型的设计，并为多任务学习在极端天气中的可行性提供了实证基础，对提升自动驾驶系统的全天候可靠性具有重要学术意义。

实际应用

在实际应用中，Snowy Scenes数据集可直接服务于自动驾驶汽车、智能交通系统及机器人导航领域的感知模块开发与验证。工程团队可借此数据集训练与测试在雪地环境中工作的车辆感知算法，优化点云预处理流程以滤除雪噪，提升3D目标检测在低可见度条件下的准确性。此外，多模态传感器融合策略（如结合热成像）可基于该数据集的基准结果进行调优，增强夜间或暴雪场景下的环境感知能力。该数据集还可用于开发车辆冬季测试场的模拟环境，加速自动驾驶系统在寒区部署前的安全评估，降低实车路试成本与风险。

数据集最近研究

最新研究方向

面向雪地环境的自动驾驶多模态多任务感知研究正成为领域前沿焦点。Snowy Scenes数据集以其真实世界采集的雪天驾驶数据，涵盖累积积雪、活跃降雪及高速雪景等挑战性场景，为多模态传感器融合（128线激光雷达、RGB与热像仪）下的鲁棒感知奠定了坚实基础。该数据集不仅支持三维语义分割、目标检测与点云去雪等经典任务，还开创性地引入降雪粒子标注，推动点云去噪与多任务联合学习的发展。其提供的基准实验显示，多模态融合（激光雷达、RGB与热像仪）有效提升目标检测精度，而多任务学习模型也展现出在复杂雪况下协同感知的潜力。这一资源的发布，为极端天气下自动驾驶系统的安全性与可靠性研究提供了关键数据支撑，引领该领域向更具挑战性的环境适应性方向迈进。