ISSU

ISSU数据集是一个面向场景语义分割的全新异常分割数据集，由捷克技术大学布拉格等机构提出。该数据集包含来自印度道路的多样化异常输入，比现有的异常分割数据集大一倍，提供了训练集、验证集和测试集，可以进行受控的领域内评估。数据集涵盖了不同的条件，如领域和跨传感器转换、光照变化，允许对异常检测方法进行这些变化的消融研究。

The ISSU Dataset is a novel anomaly segmentation dataset for scene semantic segmentation, proposed by institutions including Czech Technical University in Prague and others. This dataset contains diverse anomalous inputs sourced from Indian roads, with a size twice that of existing anomaly segmentation datasets, and provides training, validation and test splits to enable controlled in-domain evaluation. The dataset covers various conditions such as domain shifts, cross-sensor transformations and illumination variations, allowing ablation studies of anomaly detection methods against these variations.

搜集汇总

数据集介绍

构建方式

ISSU数据集的构建过程体现了对真实世界复杂场景的深度考量。研究团队基于印度道路场景的IDD数据集，通过多阶段标注流程精心构建了包含训练集（ISSU-Train）和两个测试集（ISSU-Test-Static、ISSU-Test-Temporal）的完整体系。标注过程采用三级分类体系（Cityscapes标准类/异常类/无效类），并由经过严格训练的标注团队耗时两个月完成质量把控。特别值得注意的是，测试集通过筛选包含特定异常对象的图像样本，确保了评估场景的真实性和挑战性，同时引入IDD-AW数据集中的恶劣天气样本以增强光照多样性。

特点

ISSU数据集在语义分割领域具有显著的差异化特征。其核心价值在于同时提供封闭集（19个Cityscapes标准类）和开放集（异常类）的精细标注，支持联合评估传统分割与异常检测任务。数据集包含3,436张训练图像和2,120张测试图像（含1,140帧时序数据），覆盖了印度道路特有的杂乱交通场景。独特之处在于设计了静态与时序双重测试集，后者通过消费级行车记录仪采集，实现了跨传感器域迁移评估。数据分布上，异常对象呈现从7×7到500×500像素的连续尺寸分布，并包含4.3%的低光照样本，为模型鲁棒性测试提供了多维度的挑战。

使用方法

该数据集支持多层次的评估范式，研究者可根据需求选择四种标准协议：道路障碍物评估（聚焦可行驶区域）、道路异常评估（全图像范围）、开放集评估（联合评估已知类与异常类）以及封闭集评估（传统分割性能基准）。评估时建议采用综合指标体系，包括面向安全关键应用的FPR@95%TPR、检测精度的平均AP值，以及创新的开放集交并比（oIoU）。特别推荐进行跨域实验设计，如将Cityscapes作为源域训练后在ISSU测试，以验证模型在结构化与非结构化交通场景间的泛化能力。对于时序数据，可利用连续帧信息探索测试时自适应等前沿方向。

背景与挑战

背景概述

ISSU数据集由捷克技术大学、萨格勒布大学、阿尔托大学等机构的研究团队于2024年提出，旨在解决自动驾驶场景中语义分割模型对未知异常物体的识别难题。作为首个同时包含已知类别和异常标注的真实世界数据集，ISSU通过印度道路场景的多样化采集（包含静态图像和时序视频），填补了现有数据集在开放集评估方面的空白。该数据集包含3,436张训练图像和2,120张测试图像，涵盖19个Cityscapes标准类别及异常类别，其创新的评估协议推动了语义分割与异常检测的联合研究范式。

当前挑战

ISSU数据集面临的核心挑战体现在两个方面：在领域问题层面，需解决复杂交通场景下小尺寸异常检测（如7×7像素以下物体）、跨传感器域适应（消费级与专业相机差异）以及极端光照条件（低光/雨雾）带来的识别难题；在构建层面，标注过程需平衡印度道路特有物体（如人力车、路边摊贩）的归类矛盾，精确界定2米危险区域内异常物体，并通过多阶段质检确保19类语义标签与异常标注的一致性。此外，时序数据中动态异常的帧间一致性标注也构成显著挑战。

常用场景

经典使用场景

ISSU数据集在计算机视觉领域，特别是在自动驾驶场景中，被广泛用于语义分割和异常检测的研究。该数据集通过提供包含已知类和异常类标签的图像，支持对深度学习模型在开放集环境下的性能评估。其经典使用场景包括在复杂交通环境中进行像素级语义分割，以及在存在未知物体时进行异常检测。

实际应用

ISSU数据集的实际应用主要集中在自动驾驶领域。通过提供包含复杂交通环境和多样化异常物体的图像，该数据集可以帮助开发更鲁棒的自动驾驶系统。具体应用包括在复杂交通环境中进行实时语义分割，以及在存在未知物体时进行异常检测，从而提高自动驾驶系统的安全性和可靠性。

衍生相关工作

ISSU数据集衍生了许多相关的研究工作，特别是在语义分割和异常检测领域。例如，基于ISSU数据集的研究工作包括开发新的开放集语义分割方法、改进异常检测算法，以及研究跨域和跨传感器的模型泛化能力。此外，该数据集还被用于评估现有方法在复杂环境中的性能，从而推动了相关领域的技术进步。