IRON

IRON是由中国科学院计算技术研究所构建的首个大规模红外越野可行驶区域检测数据集，包含24,314张密集标注的红外图像及同步RGB数据，覆盖乡村、森林、高海拔等多种场景及昼夜光照条件。数据通过50Hz采集后降采样至2.5Hz，并采用半自动标注流程确保像素级标注质量。该数据集旨在解决夜间越野环境下可见光感知不可靠的问题，为全天候自动驾驶的红外时序感知研究提供基础支撑。

IRON is the first large-scale infrared off-road drivable area detection dataset constructed by the Institute of Computing Technology, Chinese Academy of Sciences. It contains 24,314 densely annotated infrared images and synchronized RGB data, covering diverse scenarios such as rural areas, forests, high-altitude regions, as well as both day and night lighting conditions. The data is collected at 50 Hz and then downsampled to 2.5 Hz, and a semi-automatic annotation pipeline is adopted to ensure the quality of pixel-level annotations. This dataset aims to address the problem of unreliable visible-light perception in off-road nighttime environments, providing fundamental support for infrared temporal perception research in all-weather autonomous driving.

原始信息汇总

好的，这是对IRON数据集详情页面的总结：

IRON 数据集概述

基本信息

• 数据集名称： IRON (Infrared Off-Road Temporal Freespace Detection)
• 核心任务： 面向全天候越野驾驶的红外时序自由空间检测
• 总样本数： 24,314 张密集标注的红外图像，并配有同步的RGB图像
• 数据模态： 时间对齐的红外与RGB图像对

数据规模与场景分布

数据集按场景和用途划分如下：

场景	训练集	测试集	总计
🌾 乡村 (Countryside)	5,169	651	5,820
🌲 森林 (Forest)	7,746	1,886	9,632
🏔️ 高海拔 (High Altitude)	7,107	1,755	8,862
总计	20,022	4,292	24,314

数据规格

• 分辨率： 红外图像 640×512，RGB图像 1920×1080
• 红外波长： 8–14 µm (热长波红外)
• 帧率： 2.5 Hz (从50 Hz下采样)
• 视频序列： 共35个视频序列 (27个训练，8个测试)
• 光照条件： 包含强光 (13,425张) 和低光/夜间 (10,889张) 图像

数据集获取

数据集可通过百度网盘下载，链接为：https://pan.baidu.com/s/1UYPkj6nHYQRu2SFo7UuwGw?pwd=eiz6，提取码为 eiz6。

基准模型性能

基于该数据集提出的 IRONet 模型取得了如下最佳结果：

• IRONet_5F (ViT-S 骨干网络)：在 IRON 数据集 (红外模态) 上达到 IoU 82.93%，F1 90.66%，推理速度为 32 FPS。

数据集引用

bibtex @article{wang2025iron, title={Towards All-Day Perception for Off-Road Driving: A Large-Scale Multispectral Dataset and Comprehensive Benchmark}, author={Wang, Shuo and Mei, Jilin and Guan, Wenfei and Wang, Shuai and Xing, Yan and Min, Chen and Hu, Yu}, journal={IEEE Transactions on ...}, year={2025} }

许可协议

本项目采用 MIT 许可协议。

搜集汇总

数据集介绍

构建方式

IRON数据集面向全天候越野环境中红外可通行区域检测的迫切需求而构建。数据采集平台由一台红外相机（8–14μm波段，640×512分辨率）与两台可见光相机之一刚性固定组成，经时空标定后以50Hz采集35段涵盖乡村、森林、高海拔及不同光照条件的视频序列。原始数据均匀降采样至2.5Hz，再按场景划分序列；标注采用半自动与自动结合的三阶段流程：初始对4000帧半自动标注以训练小模型，再由模型自动分割剩余帧，最后检查并修正错误预测，生成24,314帧像素级可通行区域标注及同步RGB图像。训练与测试集按序列严格划分，确保场景无重叠。

使用方法

数据集可直接用于红外越野可通行区域的时序分割任务，兼容单帧与时序模型。使用时需按序列分割的基准进行训练与评估，避免数据泄漏。官方提供基于mmlab框架的完整实现范例，训练阶段采用随机缩放、裁剪与水平翻转增强，且相同变换跨帧应用以保持时序一致性。输入图像缩放至512×512，默认记忆队列长度为3或5帧，在单张A100 GPU上以AdamW优化器训练10个epoch。推理时以640×512原始分辨率流式处理，评估指标包括IoU、F1分数等。数据集及代码已在GitHub开源，支持进一步扩展至RGB模态或跨数据集泛化验证。

背景与挑战

背景概述

在自动驾驶领域，夜间越野场景下的可通行空间检测一直是一项严峻的挑战。由于缺乏人工照明，可见光相机的感知能力在夜间大幅下降，而红外模态凭借其对热辐射的敏感性，能够在低照度条件下提供关键的视觉信息。然而，现有研究多集中于可见光数据集，红外模态在越野环境中的可通行空间检测仍处于起步阶段。为填补这一空白，中国科学院计算技术研究所的研究团队于2026年提出了IRON数据集，这是首个面向全天候条件下越野时序可通行空间检测的大规模红外数据集。该数据集包含24,314张密集标注的红外图像及同步RGB图像，覆盖乡村道路、森林小径、高海拔区域等多种场景及昼夜不同光照条件。IRON数据集的发布为红外越野感知研究奠定了坚实基础，推动了全天候自动驾驶技术的发展。

当前挑战

红外越野可通行空间检测面临的核心挑战在于领域数据的稀缺性与时序一致性的缺失。一方面，现有数据集多聚焦于城市道路的可见光或红外图像，缺乏面向越野环境的密集标注红外数据，导致红外模态下的可通行空间检测模型训练严重受限。另一方面，单帧检测方法在低对比度的红外图像中极易产生时序闪烁与空间碎片化问题，而越野场景中复杂的地形、频繁的转向及有限的色彩信息进一步加剧了这一困境。此外，数据集构建过程中还需解决多模态传感器的时空对齐、大规模像素级标注的高昂成本以及序列划分时的数据泄露防范等技术难题。这些挑战共同制约了红外越野感知系统的鲁棒性与实用性。

常用场景

经典使用场景

IRON数据集作为首个面向全时段越野驾驶的大规模红外时间序列自由空间感知数据集，其最为经典的运用场景在于训练与评估基于红外模态的时序分割模型。研究者可借助该数据集中涵盖乡村道路、林间小径及高海拔区域等24,314张密集标注的红外图像，配合同步的RGB影像，在白天、黄昏与夜晚的多样化光照条件下，系统性地开发具备帧间一致性的自由空间检测算法。该数据集提供的时序结构与像素级真值，为红外视频语义分割的标准化评估提供了不可替代的基准。

解决学术问题

该数据集深刻回应了越野环境下夜晚自动驾驶中可见光感知不可靠的根本困境。其核心价值在于破除了红外越野领域缺乏高质量标注数据的瓶颈，推动了从单帧分割向时序建模的范式跃迁。通过提出IRONet这一基于记忆注意力机制的无光流框架，数据集系统性地解决了红外视频中因对比度低与地形复杂而导致的帧间闪烁和空间碎片化问题。这一工作为学术社区提供了首个红外时序自由空间检测的评估基准，并验证了跨模态泛化的可行性，对推动全天候、非结构化环境感知研究具有里程碑式的意义。

实际应用

IRON数据集的实际应用深刻嵌入于越野无人驾驶系统的感知模块中。借助该数据集训练的模型，能够在缺乏人工照明的夜间林间、山地等极端场景下，凭借红外相机可靠地识别可通行区域，从而为路径规划与避障决策提供连续的、抗干扰的感知输入。此外，该数据集所验证的时序记忆机制已显现出对可见光模态的鲁棒泛化能力，可在ORFD和Rellis-3D等标准数据集上超越纯RGB方案，这昭示着其能助力构建冗余融合的感知系统，实现从结构化城区到非结构化野外的全工况覆盖。

数据集最近研究

最新研究方向

IRON数据集的提出填补了红外模态下野外场景时域自由空间检测的空白，其最新研究聚焦于利用无光流记忆注意力机制实现全天候鲁棒感知，对夜间、弱光及复杂地形场景具有里程碑意义。研究前沿围绕三个方向展开：其一，通过大规模红外视频序列（24,314帧）与同步RGB数据，推动多光谱融合在非结构化环境中的适用性；其二，IRONet框架通过掩码感知时间队列和语义引导补偿模块，有效抑制了帧间闪烁与空间碎片化问题，在IRON数据集上达到82.93% IoU和32 FPS的实时性能；其三，该工作证明了红外时域特征对RGB模态的泛化能力，在ORFD和RELLIS-3D基准上超越了部分RGB+LiDAR方法。这一成果不仅为野外自主驾驶的全天候感知奠定了数据与算法基础，也促进了红外时域分割技术在低照度、颠簸道路等极端场景下的应用落地。

相关研究论文

• Towards All-Day Perception for Off-Road Driving: A Large-Scale Multispectral Dataset and Comprehensive Benchmark

  中国科学院·计算技术研究所智能计算系统研究中心; 北京控制工程研究所 · 2026年