ATIS Automotive Detection Dataset

ATIS Automotive Detection Dataset是由法国巴黎的普罗菲西斯公司创建的大型事件相机检测数据集。该数据集包含超过39小时的汽车记录，使用304x240 GEN1传感器采集，涵盖城市、高速公路、郊区和乡村等多种驾驶场景，以及不同的天气和光照条件。数据集包含超过255,000个手动标注的汽车和行人边界框，频率在1到4Hz之间。此数据集旨在推动基于事件的视觉任务，如物体检测和分类，以及其他任务如光流、运动结构和跟踪的发展。

The ATIS Automotive Detection Dataset is a large-scale event camera detection dataset developed by Prophysics, a company headquartered in Paris, France. Comprising over 39 hours of automotive driving recordings, the dataset was collected using a 304x240 GEN1 sensor, covering diverse driving scenarios including urban, highway, suburban, and rural environments, as well as varying weather and lighting conditions. It contains more than 255,000 manually annotated bounding boxes for vehicles and pedestrians, with an annotation frequency ranging from 1 to 4 Hz. This dataset aims to promote the development of event-based vision tasks such as object detection and classification, as well as other related tasks including optical flow, structure from motion, and tracking.

搜集汇总

数据集介绍

构建方式

在事件相机视觉领域，大规模标注数据集的稀缺性长期制约着基于事件的物体检测研究进展。ATIS Automotive Detection Dataset的构建过程体现了严谨的数据采集与标注策略：研究团队将GEN1事件相机安装在汽车挡风玻璃后方，在法国境内多样化的驾驶场景中进行了长达一年的自然驾驶数据采集，涵盖城市、高速公路、郊区及乡村道路，并覆盖不同天气与光照条件，累计录制超过39小时原始事件流。标注工作基于传感器同步生成的灰度图像，以1至4赫兹的频率人工标注车辆与行人的边界框，通过明确的标注协议确保一致性，最终产生超过25.5万个高质量标注，为事件视觉研究提供了迄今规模最大的真实世界检测数据集。

特点

该数据集在事件视觉领域具有显著的开创性与代表性，其核心特点在于规模宏大与场景丰富。作为目前最大的事件相机数据集，它不仅在时长上达到39.32小时，更提供了255,781个精细标注的边界框，涵盖车辆与行人两类目标。数据采集过程充分考虑了现实驾驶的多样性，包括交通密度、道路类型、季节变化及光照条件的广泛覆盖，从而确保了数据分布的广泛性与真实性。此外，数据集基于原始事件流构建，保留了事件相机高动态范围、微秒级时间分辨率与无运动模糊等固有优势，为开发鲁棒的检测模型提供了接近真实传感特性的训练基础。

使用方法

为促进基于深度学习的事件视觉算法发展，该数据集已划分为训练、验证与测试子集，并以60秒为片段提供结构化数据。每个样本包含二进制格式的事件流与NumPy格式的标注文件，其中标注信息包括时间戳、边界框坐标与类别标识。研究人员可利用配套代码加载数据，并参照COCO数据集的评估指标进行检测性能量化。该数据集不仅适用于监督学习的物体检测模型训练，其丰富的事件流与长时间序列特性也使其成为自监督学习、光流估计、单目深度预测及目标跟踪等任务的理想资源，有望推动事件相机在自动驾驶与机器人视觉中的实际应用。

背景与挑战

背景概述

事件相机作为一种新兴的视觉传感器，以其异步事件流的形式捕捉视觉信息，具备高动态范围、微秒级时间分辨率以及自适应数据率等独特优势，在自动驾驶、机器人等领域展现出巨大潜力。然而，事件视觉研究长期面临大规模标注数据稀缺的挑战，制约了深度学习模型在该领域的应用与发展。为此，PROPHESEE团队于2018年发布了ATIS Automotive Detection Dataset，该数据集采集自一辆搭载GEN1事件相机的汽车，历时一年（2017年3月至2018年3月）在法国多种道路场景下录制，总计超过39小时的驾驶数据。数据集核心聚焦于自动驾驶环境中的目标检测问题，提供了超过25.5万个针对汽车与行人的手动边界框标注，旨在推动事件相机在物体检测、分类等任务上的性能突破，并缩小事件视觉与帧基视觉在数据集规模与模型精度上的差距。

当前挑战

ATIS Automotive Detection Dataset致力于解决事件相机在复杂驾驶场景下的多类别目标检测问题，其核心挑战在于事件数据的异步、稀疏特性使得传统基于帧的检测方法难以直接适用，需开发新型神经网络架构以有效处理事件流。构建过程中，研究团队面临多重困难：数据标注需依赖事件相机同步生成的灰度图像，但图像分辨率有限（304x240），导致小目标（对角线小于30像素）被舍弃，影响了数据集的完整性；标注频率较低（1-4Hz），虽增加了样本多样性，却可能遗漏快速运动目标的瞬时状态。此外，数据采集涵盖全年不同光照与天气条件，事件率波动剧烈（峰值达3Mev/s），对传感器的噪声过滤与数据预处理提出了更高要求。这些挑战共同凸显了在真实世界中构建大规模事件数据集的复杂性与必要性。

常用场景

经典使用场景

在事件相机视觉领域，ATIS Automotive Detection Dataset为自动驾驶环境中的目标检测任务提供了关键支持。该数据集通过超过39小时的驾驶场景记录，涵盖了城市、高速公路及乡村等多种路况，并包含不同光照与天气条件，为研究者构建鲁棒的检测模型奠定了数据基础。经典使用场景集中于利用事件流数据训练深度学习模型，实现对车辆和行人的实时、高精度检测，尤其在低光照或高速运动等传统帧相机易失效的场景中展现出独特优势。

实际应用

在实际应用中，ATIS Automotive Detection Dataset直接服务于自动驾驶系统的感知模块开发。事件相机的高时间分辨率与低功耗特性使其适用于实时车辆与行人检测，尤其在夜间驾驶、隧道进出等光照剧烈变化场景中表现卓越。数据集还可用于智能交通监控、机器人导航及物联网设备中的动态视觉分析，为实际部署提供了经过充分验证的算法训练资源，增强了系统在真实环境中的可靠性与适应性。

衍生相关工作

该数据集的发布催生了多项经典研究工作，主要集中在事件视觉的深度学习模型优化与多任务拓展。例如，基于数据集的监督检测网络设计提升了事件流中目标定位的准确性；同时，研究者利用其大规模未标注事件序列开发了自监督学习方法，用于光流估计与单目深度预测等任务。此外，数据集常被用作基准对比，推动了如N-Cars、DDD17等其他事件数据集的算法迁移与性能评估，形成了事件视觉领域内算法迭代与范式演进的重要支撑。