D2-CDNet

D²-CDNet（多样化领域CDNet）是一个用于前景分割和背景减除任务的计算机视觉数据集。数据集以.tar压缩包的形式存储，每个压缩包对应CDnet14的一个类别（如badWeather、baseline等）。数据集包含RGB帧、静态背景参考、基于SuBSENSE的BGS掩码、光流/运动图（FLUX）、地面真实掩码等多种模态数据。数据集的结构遵循CDnet14的标准，包括input、backgrounds、bgs_subsense、FLUX、groundtruth等文件夹。数据集主要用于训练和评估3流模型（RGB + 静态背景 + BGS + FLUX）。

D²-CDNet (Diverse Domain CDNet) is a computer vision dataset for foreground segmentation and background subtraction tasks. The dataset is stored as .tar compressed packages, where each package corresponds to one category of CDnet14 (e.g., badWeather, baseline, etc.). It contains multi-modal data including RGB frames, static background references, SuBSENSE-based BGS masks, optical flow/motion maps (FLUX), ground truth masks and other modalities. The dataset structure follows the CDnet14 standard, including folders such as input, backgrounds, bgs_subsense, FLUX, and groundtruth. The dataset is primarily used for training and evaluating three-stream models (RGB + static background + BGS + FLUX).

原始信息汇总

D²-CDNet 数据集概述

数据集基本信息

• 数据集名称：D²-CDNet (Diversified Domain CDNet)
• 主要用途：用于前景分割项目（三流模型：RGB + 静态背景 + BGS + FLUX）
• 领域：计算机视觉、视频处理
• 核心任务：前景分割、背景减除
• 数据格式：WebDataset 格式的归档分片（.tar 文件）
• 许可证：Apache-2.0

数据内容与结构

数据集包含 CDnet14 数据包的归档分片。每个 .tar 归档文件通常对应一个 CDnet 类别（例如 badWeather.tar, baseline.tar, cameraJitter.tar）。

提取后的文件夹结构

提取后的数据遵循以下目录结构：

CDnet14/<category>/<video>/ ├── input/ # RGB 帧（例如 in000123.png） ├── backgrounds/ # 静态背景参考帧 ├── bgs_subsense/ # 基于 SuBSENSE 的 BGS 掩码 ├── FLUX/ # 光流/运动图（FLUX） ├── groundtruth/ # 二进制真实掩码 ├── diversified/ # 合成多样化帧（如果可用） ├── diversified_from_original/ # 从原始帧采样的备用真实帧（如果可用） ├── div_groundtruth/ # 用于多样化/配对训练的真实掩码（如果可用） ├── div_FLUX/ # 用于多样化/配对训练的 FLUX 图（如果可用） ├── ROI.bmp / ROI.jpg # 空间 ROI 掩码（CDnet 标准） └── temporalROI.txt # 时间 ROI 文件（CDnet 标准）

注意：并非每个视频都包含上述所有文件夹，可用性取决于类别/视频和分片版本。

获取与使用方式

下载

通过 Hugging Face 数据集页面的 Files and versions 选项卡，进入 raw_tar/ 目录，下载所需的类别 tar 文件（例如 raw_tar/badWeather.tar）。

提取

在 Linux/WSL/macOS 系统中，使用以下命令将下载的 tar 文件解压到指定目录： bash mkdir -p data tar -xf badWeather.tar -C data

推荐使用流程

此 Hugging Face 仓库仅提供数据分片。完整的训练、评估流程需使用关联的 GitHub 仓库：

• GitHub 仓库地址：https://github.com/tauseefakhund/TriUNet
• GitHub 仓库内容：数据加载器、训练脚本、评估与跨数据集测试（例如 LaSIESTA）。

许可与引用

许可证

• 本仓库的打包文件/元数据适用 Apache-2.0 许可证。
• 使用时请同时确认并遵守原始数据集（如 CDnet14）的条款。

引用格式

若使用 D²-CDNet，请按以下格式引用： bibtex @misc{Akhund2026D2CDNet, author = {Tauseef Ud Din Akhund}, title = {D extsuperscript{2}-CDNet (Diversified Domain CDNet)}, howpublished = {url{https://huggingface.co/datasets/tauseefakhund/D2-CDNet}}, url = {https://huggingface.co/datasets/tauseefakhund/D2-CDNet}, year = {2026}, note = {Accessed: 2026-01-04} }

联系方式

如有问题，可通过以下邮箱联系：[e-mail]

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，特别是视频前景分割任务中，D²-CDNet数据集的构建体现了对现有基准的深度扩展与系统化整合。该数据集以经典的CDnet14数据集为核心基础，通过引入静态背景参考、基于SuBSENSE的背景减除掩码、光流运动图以及合成多样化帧等多种模态数据，构建了一个多流信息融合的训练资源。其数据以类别为单位组织成独立的归档分片，每个分片内部严格遵循预设的目录结构，确保了原始视频帧、预计算模态与标注数据之间的精确对应关系，为复杂模型训练提供了结构化的数据支撑。

特点

D²-CDNet数据集的核心特征在于其高度的多样性与丰富的多模态表征。它不仅涵盖了CDnet14原有的多种挑战性场景类别，如恶劣天气、相机抖动等，更关键的是为每个视频序列提供了RGB帧、静态背景、背景减除结果、光流运动图以及地面真值掩码等多种同步数据流。这种多源信息的并存，使得数据集能够支持前沿的三流甚至更复杂模型的训练与评估。数据集采用分片式存储，便于按需下载与分布式处理，同时保持了与原始CDnet14数据格式及空间、时间ROI标注的兼容性，兼顾了使用的灵活性与学术研究的延续性。

使用方法

为有效利用D²-CDNet数据集，研究者需遵循其特定的数据加载流程。首先，从仓库的`raw_tar`目录下载所需场景类别的归档文件。随后，在本地环境中解压至指定目录，即可获得符合预设文件夹结构的数据。实际使用时，强烈建议结合其配套的GitHub代码库，该库提供了专门设计的数据加载器、训练脚本及评估工具，能够正确处理多模态数据的路径映射与输入流整合。用户可依据研究需求，灵活组合RGB、背景减除和光流等不同模态，进行前景分割模型的训练、验证及跨数据集测试，从而系统评估模型在多样化真实场景下的鲁棒性与泛化能力。

背景与挑战

背景概述

在计算机视觉领域，视频前景分割与背景减除是监控分析、自动驾驶等应用的核心技术。D²-CDNet数据集由Tauseef Ud Din Akhund于2026年构建，旨在扩展经典的CDnet14基准，通过引入多样化领域的数据增强与多模态信息（如RGB、静态背景、BGS及光流），为三流神经网络模型提供训练支持。该数据集不仅延续了CDnet14在复杂场景下的评估框架，还通过合成与真实数据的结合，推动了模型在跨域泛化能力方面的研究，对提升智能视频分析系统的鲁棒性具有显著影响。

当前挑战

D²-CDNet致力于解决视频前景分割中因光照变化、动态背景、相机抖动等复杂因素导致的模型泛化不足问题。构建过程中，数据集整合了多类别视频序列与预计算模态，面临数据对齐与一致性维护的挑战，例如确保RGB帧、背景参考及光流图在时序与空间上的精确匹配。此外，合成多样化数据与原始数据的融合需平衡真实性与多样性，以避免引入语义偏差，同时遵循CDnet14的标注标准以维持评估的可比性。

常用场景

经典使用场景

在计算机视觉领域，前景分割与背景减除是视频分析的核心任务，D²-CDNet数据集为此提供了多样化的场景支持。该数据集最经典的使用场景在于训练和评估多模态前景分割模型，特别是结合RGB图像、静态背景、背景减除掩码以及光流信息的三流网络架构。研究人员通过该数据集能够系统性地探索不同环境条件下，如恶劣天气、相机抖动或动态背景，模型对前景目标的精确分割能力，从而推动视频监控和运动分析技术的进步。

解决学术问题

D²-CDNet数据集有效解决了前景分割研究中常见的领域泛化与鲁棒性挑战。通过整合CDnet14的多个类别并引入合成多样化数据，该数据集帮助学术界探究模型在跨场景、跨光照及跨运动模式下的适应性，减少了过拟合风险。其意义在于为算法提供了标准化的评估基准，使得研究者能够定量比较不同方法的性能，促进了背景减除与前景分割领域的理论深化与技术迭代，对提升智能视频分析的可靠性具有重要影响。

衍生相关工作

围绕D²-CDNet数据集，已衍生出多项经典研究工作，其中最突出的是TriUNet三流网络架构的提出与验证。该工作利用数据集中RGB、背景减除和光流等多模态信息，实现了高效的前景分割，并在跨数据集测试如LaSIESTA上展示了优越的泛化性能。此外，基于该数据集的扩展研究进一步探索了合成数据增强、领域自适应以及端到端训练策略，为视频分割领域提供了新的方法论参考，激发了后续在多样化场景下模型鲁棒性优化的学术探索。