TJU-DHD

TJU-DHD是一个新构建的高分辨率数据集，用于物体检测和行人检测。该数据集包含超过115,000张图像和700,000多个实例，涵盖交通和校园场景。数据集具有高分辨率（至少1624x1200像素）和多样性，包括外观、尺度、光照、季节和天气的大量变化。此外，还提供了跨场景和同场景的行人检测评估。

TJU-DHD is a newly constructed high-resolution dataset designed for object detection and pedestrian detection. The dataset comprises over 115,000 images and more than 700,000 instances, covering traffic and campus scenes. It features high resolution (at least 1624x1200 pixels) and diversity, including significant variations in appearance, scale, lighting, seasons, and weather conditions. Additionally, it provides evaluations for pedestrian detection across different scenes and within the same scene.

原始信息汇总

TJU-DHD数据集概述

数据集描述

• 名称: TJU-DHD数据集
• 类型: 对象检测和行人检测
• 图像数量: 超过115,000张
• 实例数量: 超过700,000个
• 场景: 交通和校园
• 分辨率: 至少1624x1200像素，对象高度从11像素到4152像素
• 多样性: 外观、尺度、光照、季节和天气的大量变化
• 评估方式: 跨场景评估和同场景评估

数据集细分

• 对象检测:

  • TJU-DHD-traffic:
    • 训练: 45,266张图像，239,980个实例
    • 验证: 5,000张图像，30,679个实例
    • 测试: 10,000张图像，60,963个实例
  • TJU-DHD-campus:
    • 训练: 39,727张图像，267,445个实例
    • 验证: 5,204张图像，41,620个实例
    • 测试: 10,157张图像，68,643个实例

• 行人检测:

  • TJU-Ped-traffic:
    • 训练: 13,858张图像，27,650个实例
    • 验证: 2,136张图像，5,244个实例
    • 测试: 4,344张图像，10,724个实例
  • TJU-Ped-campus:
    • 训练: 39,727张图像，234,455个实例
    • 验证: 5,204张图像，36,161个实例
    • 测试: 10,157张图像，59,007个实例

评估工具

• 对象检测: cocoapi
• 行人检测: Citypersons API

性能基准

• TJU-DHD-traffic:

  • 验证结果:
    • RetinaNet: AP 53.5, AP@0.5 80.9, AP@0.75 60.0
    • FCOS: AP 53.8, AP@0.5 80.0, AP@0.75 60.1
    • FPN: AP 55.4, AP@0.5 83.4, AP@0.75 63.0
    • Cascade RCNN: AP 57.9, AP@0.5 82.7, AP@0.75 66.6

• TJU-DHD-campus:

  • 验证结果:
    • RetinaNet: AP 48.4, AP@0.5 79.3, AP@0.75 52.4
    • FCOS: AP 49.3, AP@0.5 73.8, AP@0.75 53.8
    • FPN: AP 52.4, AP@0.5 77.5, AP@0.75 58.4
    • Cascade RCNN: AP 55.1, AP@0.5 77.6, AP@0.75 60.9

• TJU-DHD-pedestrian:

  • TJU-Ped-campus: 多种方法的性能比较
  • TJU-Ped-traffic: 多种方法的性能比较

搜集汇总

数据集介绍

构建方式

TJU-DHD数据集的构建旨在解决自动驾驶和视频监控领域中目标检测（尤其是小目标检测）的挑战。该数据集通过采集高分辨率图像，涵盖了交通和校园两大场景，包含超过115,000张图像和700,000多个标注实例。图像分辨率至少为1624x1200像素，对象高度范围从11像素到4152像素不等。数据集的构建过程中，特别注重了多样性，涵盖了不同的外观、尺度、光照、季节和天气条件，以确保模型在各种复杂环境下的鲁棒性。

特点

TJU-DHD数据集的主要特点在于其高分辨率和多样性。图像分辨率的高标准确保了即使在远距离或小目标的情况下，模型仍能进行有效检测。此外，数据集的多样性体现在季节、天气和光照的变化上，这使得该数据集能够模拟现实世界中的复杂场景。数据集还支持跨场景和同场景的行人检测评估，为研究者提供了丰富的实验环境。

使用方法

TJU-DHD数据集适用于对象检测和行人检测任务。用户可以通过提供的下载链接获取数据集的图像和标注文件，并使用COCO API或Citypersons API进行评估。数据集分为训练集、验证集和测试集，用户可以根据需要选择合适的子集进行模型训练和验证。此外，数据集还提供了基准测试结果，用户可以参考这些结果来评估自己的模型性能。

背景与挑战

背景概述

TJU-DHD数据集是由天津大学团队于2020年构建的高分辨率多样化数据集，主要用于目标检测和行人检测任务。该数据集包含超过115,000张高分辨率图像和700,000多个标注实例，涵盖交通和校园两大场景。其核心研究问题在于解决现有数据集在分辨率、多样性和场景覆盖上的不足，特别是针对自动驾驶和视频监控系统中对小目标检测的需求。TJU-DHD数据集通过提供高分辨率、多样化的图像，显著推动了目标检测和行人检测领域的研究进展，尤其是在复杂场景下的检测性能提升。

当前挑战

TJU-DHD数据集在构建过程中面临多项挑战。首先，高分辨率图像的处理和标注需要大量计算资源和时间，尤其是在标注大量小目标时，精度要求极高。其次，数据集的多样性要求涵盖不同季节、天气和光照条件，这增加了数据采集和标注的复杂性。此外，跨场景评估和同场景评估的引入，使得模型在不同环境下的泛化能力成为研究的重点。最后，如何在保持高分辨率的同时，确保模型对小目标的检测精度，是该数据集面临的主要技术挑战。

常用场景

经典使用场景

TJU-DHD数据集在对象检测和行人检测领域展现了其经典应用场景。该数据集通过提供高分辨率图像和丰富的多样性，特别适用于交通和校园场景中的对象检测任务。其高分辨率特性使得模型能够有效处理小目标检测问题，而多样化的光照、季节和天气条件则增强了模型在复杂环境中的鲁棒性。此外，数据集支持跨场景和同场景的行人检测评估，为研究者提供了全面的实验平台。

实际应用

TJU-DHD数据集在实际应用中展现了广泛的应用潜力。在自动驾驶领域，该数据集的高分辨率和多样性特性使得车辆和行人检测算法能够在复杂交通环境中实现更高的准确性和鲁棒性。在视频监控系统中，数据集的跨场景评估能力有助于开发适应不同光照、天气和季节变化的检测模型，从而提升监控系统的可靠性和实用性。此外，该数据集还为智能交通系统和校园安全管理提供了重要的数据支持。

衍生相关工作

TJU-DHD数据集的发布催生了一系列相关的经典研究工作。基于该数据集，研究者们开发了多种先进的对象检测和行人检测算法，如RetinaNet、FCOS、FPN和Cascade R-CNN等，这些算法在数据集上进行了广泛的实验验证。此外，数据集的多样性和高分辨率特性还激发了对小目标检测、拥挤场景检测以及跨场景适应性等问题的深入研究。这些衍生工作不仅推动了对象检测技术的发展，还为相关领域的实际应用提供了技术支持。