UFPR-MoTri Dataset

一个用于城市交通中两轮和三轮车辆的细粒度分类数据集，包含94,083张图片，涵盖41,838辆独特车辆。

原始信息汇总

数据集概述

UFPR-MoTri 是一个面向城市交通中两轮和三轮车辆的细粒度分类数据集，由巴拉那军警（PMPR）提供的真实监控图像构建而成，专门用于车辆细粒度识别任务。

数据集规模与内容

• 图像总数：94,083 张
• 独立车辆数：41,838 辆
• 车辆类型：涵盖摩托车、踏板车、电动滑板车、轻便摩托车和三轮车等，包括内燃机和电动车型
• 图像来源：真实世界安全与监控摄像头，包含多种角度、背景、部分遮挡和低分辨率图像

标注体系

• 官方类型：根据巴西国家交通委员会（CONTRAN）法律分类标注
• 细粒度子类型：进一步分为 12 个细粒度视觉子类型

独特限制

仅提供车辆后视图图像，因为图像采集仅在 ALPR（自动车牌识别）场景下触发，而这些车辆的牌照仅位于后方。

通用特征与挑战

• 光照变化：涵盖日光到低照度夜间场景
• 遮挡：存在由货箱、乘客和摄像头角度引起的部分遮挡
• 车辆定制：包含结构、车身和牌照位置改进的定制摩托车和三轮车，显著增加了类内方差，对分类算法构成挑战

获取方式

• 使用限制：仅限非商业学术研究
• 申请流程：需签署许可协议，并通过官方机构邮箱（如 .edu、.ac）发送至 Professor David Menotti（[e-mail]），邮件主题须注明“UFPR-MoTri Dataset Access”
• 协议文件：需查阅并签署许可协议（PDF 格式），具体地址为：https://github.com/UFPR-IPASP-PR/UFPR-MoTri-Dataset/pdf/UFPR-MoTri_License-Agreement.pdf

搜集汇总

数据集介绍

构建方式

UFPR-MoTri数据集源于巴西巴拉那州军事警察提供的真实监控影像，针对城市交通中二轮与三轮车辆这一长期被忽视的类别，构建了首个细粒度分类基准。数据采集依托自动车牌识别场景，仅获取车辆后视图像，涵盖94,083幅影像及41,838辆独立车辆。每辆车均依据巴西国家交通委员会官方法律类型进行标注，并细分为12种视觉子类型，以支持高精度分类任务。

特点

该数据集深刻反映了真实世界视觉识别的多重挑战。光照条件从白昼跨越至低照度夜间，频繁出现的遮挡源于货箱、乘客及拍摄角度，且大量改装车辆带来非标准结构与车牌位置，显著提升了类内差异。这些特性共同构成了对细粒度分类算法的严苛考验，为两轮与三轮车辆识别领域提供了极具代表性的参考基准。

使用方法

数据集面向非商业学术研究开放，研究者需签署许可协议并通过机构邮箱向维护者申请访问。获取后，可根据标注的12种细粒度子类型及CONTRAN法律类型开展分类模型训练与评估，亦可利用其光照、遮挡及改装多样性验证算法鲁棒性，推动城市交通视觉感知研究的发展。

背景与挑战

背景概述

UFPR-MoTri数据集由巴拉那州军事警察提供原始图像，由联邦巴拉那大学的研究团队构建并注释，于近年发布，旨在弥补城市交通中两轮与三轮车辆细粒度分类研究的空白。该数据集包含94,083张图像，覆盖41,838辆独特车辆，并依据巴西国家交通委员会的官方分类标准，将车辆细分为12种视觉子类型，涵盖了摩托车、踏板车、电动滑板车、轻便摩托车及三轮车等燃油与电动车型。其独特之处在于仅采集车辆后视图像，源于自动车牌识别场景的触发机制，且图像来源于真实安防监控，呈现多角度、低分辨率及部分遮挡等复杂条件，为车辆识别领域提供了首个专门针对此类车辆的基准数据集，对智能交通与公共安全研究具有重要参考价值。

当前挑战

该数据集构建面临多重挑战。首要挑战是细粒度分类的固有难度，两轮与三轮车辆间视觉差异微小，且存在大量改装车型，导致类内方差极高。其次，图像采集于真实城市环境，遭遇光照剧烈变化（从日光到低照度夜间）、频繁遮挡（由货箱、乘客及拍摄角度引起）以及车牌位置不规范等问题，严重干扰分类算法的鲁棒性。此外，构建过程中需处理来自安防摄像头的海量原始数据，精确标注需结合官方法律类型与视觉亚型，且仅后视图的局限增加了识别难度。这些挑战共同考验模型在复杂场景下的泛化能力，推动细粒度识别技术的发展。

常用场景

经典使用场景

UFPR-MoTri数据集作为首个面向城市交通中两轮与三轮车辆细粒度分类的基准数据集，其经典使用场景聚焦于自动驾驶视觉感知、智能交通监控以及车辆再识别系统。该数据集包含94,083张来自真实安防摄像头的图像，覆盖41,838辆个体车辆，并提供了从官方CONTRAN法律类型到12种细粒度视觉子类型的多层标注，使得研究者能够在复杂光照、部分遮挡及高度定制化车辆的现实条件下，评估并提升细粒度分类模型的鲁棒性与泛化能力。

实际应用

在实际应用中，UFPR-MoTri数据集直接助力于公共安全与城市交通管理。其基于ALPR（自动车牌识别）场景的采集方式，使得模型可无缝整合进现有监控系统，实现两轮车辆的实时分类与追踪。该数据集支持交通执法部门对摩托车、电动滑板车等混合动力车辆的合规性检查，并可用于城市交通流量统计、热门车型分析及肇事逃逸车辆的快速排查，从而提升城市治理的智能化水平。

衍生相关工作

该数据集的发布催生了一系列相关研究工作，包括基于深度学习的多粒度车辆分类网络设计、针对监控场景下低分辨率图像的超分辨率预处理技术、以及利用生成对抗网络进行数据增强以提升模型对遮挡和光照变化的鲁棒性。此外，研究者还探索了将细粒度分类与车牌识别相结合的多任务学习方法，以及将UFPR-MoTri作为基准测试域适应算法在跨摄像头场景下的迁移能力。这些衍生工作共同丰富了智能交通视觉领域的方法论体系。