TSBOW

TSBOW（Traffic Surveillance Benchmark for Occluded Vehicles under Various Weather Conditions）是一个全面的交通监控数据集，旨在增强在各种年度天气场景下遮挡车辆的检测能力。该数据集包含超过32小时来自人口密集城市地区的真实交通数据，包括48,000多个手动标注的边界框和3.2百万半自动标注的样本。

TSBOW (Traffic Surveillance Benchmark for Occluded Vehicles under Various Weather Conditions) is a comprehensive traffic surveillance benchmark dataset aimed at improving the detection performance of occluded vehicles across diverse weather scenarios throughout the year. This dataset includes over 32 hours of real-world traffic data acquired from densely populated urban areas, comprising more than 48,000 manually annotated bounding boxes and 3.2 million semi-automatically annotated samples.

原始信息汇总

TSBOW 数据集概述

数据集基本信息

• 数据集名称：TSBOW (Traffic Surveillance Benchmark for Occluded Vehicles Under Various Weather Conditions)
• 发布机构：Sungkyunkwan University Automation Lab
• 对应论文：已被AAAI 2026接收
• 数据集地址：https://github.com/SKKUAutoLab/TSBOW
• HuggingFace地址：https://huggingface.co/datasets/SKKUAutoLab/TSBOW
• 官方网站：https://skkuautolab.github.io/TSBOW/
• 联系人：[e-mail], [e-mail], [e-mail]
• 许可证：Apache 2.0 License

研究背景与目的

全球变暖加剧了极端天气事件的频率和严重性，这降低了闭路电视信号和视频质量，同时扰乱了交通流，从而增加了交通事故率。现有数据集通常仅限于轻度雾、雨和雪，未能捕捉极端天气条件。为了弥补这一空白，本研究引入了TSBOW数据集，旨在增强在各种年度天气场景下被遮挡车辆的检测能力。

数据集内容与规模

• 数据来源：来自人口稠密城市地区的真实世界交通数据。
• 视频数量：198个已处理视频。
• 总时长：超过32小时。
• 总帧数：320万帧。
• 标注类型：
  • 半自动标注实例：7110万个。
  • 人工标注帧数：4.8万帧。
  • 人工标注实例数：110万个。
• 标注类别：涵盖8个交通参与者类别，从大型车辆到微型移动设备和行人。

数据集特点

• 天气多样性：涵盖多种年度天气场景，包括极端天气条件。
• 遮挡挑战：专门针对被遮挡车辆设计。
• 场景多样性：包含不同的道路类型、尺度和视角。
• 地理范围：数据采集于水原市（Suwon）多个地点。

基准测试

研究团队为TSBOW建立了目标检测基准，突出了遮挡和恶劣天气带来的挑战。基准测试包括在不同天气条件下多种模型的性能比较，以及与其他数据集的对比分析。

获取与使用

• 数据集下载前将提供条款和条件。
• 将提供从HuggingFace下载数据集的脚本（download_TSBOW.py）。
• 提交指南即将提供。

相关资源

• 标注工具：X-AnyLabeling
• 检测模型：Ultralytics YOLO, YOLOv12
• 代码仓库：https://github.com/SKKUAutoLab/TSBOW

引用格式

bibtex @article{Huynh_TSBOW_AAAI_2026, title = {TSBOW: Traffic Surveillance Benchmark for Occluded Vehicles Under Various Weather Conditions}, author = {Ngoc Doan-Minh Huynh, Duong Nguyen-Ngoc Tran, Long Hoang Pham, Tai Huu-Phuong Tran, Hyung-Joon Jeon, Huy-Hung Nguyen, Duong Khac Vu, Hyung-Min Jeon, Son Hong Phan, Quoc Pham-Nam Ho, Chi Dai Tran, Trinh Le Ba Khanh, Jae Wook Jeon}, journal = {AAAI 2026}, year = {2025} }

搜集汇总

数据集介绍

构建方式

在智能交通系统研究领域，数据集的构建质量直接决定了模型在复杂现实场景中的泛化能力。TSBOW数据集通过采集韩国水原市人口稠密城区超过32小时的真实世界交通监控视频，构建了一个涵盖多种极端天气条件的综合性基准。其构建过程涉及从198段处理视频中提取320万帧图像，并采用混合标注策略：对4.8万帧关键图像进行了精细的手动边界框标注，涵盖八类交通参与者；同时利用半自动标注技术生成了7100万个实例的补充标注，有效平衡了标注成本与数据规模。

特点

该数据集的核心特征在于其针对交通监控中两大挑战——极端天气与目标遮挡的系统性覆盖。相较于现有数据集多局限于轻度雾、雨、雪等条件，TSBOW纳入了全年度多样的恶劣天气场景，为模型鲁棒性评估提供了严峻测试环境。数据集包含丰富的道路类型、拍摄尺度与视角变化，并详细标注了遮挡程度与交通流量属性。其类别分布覆盖从大型车辆到微型移动设备及行人的广泛目标，且标注实例总数超过百万，构成了当前该领域规模最大、属性最全面的基准之一。

使用方法

研究者可通过其GitHub仓库或HuggingFace平台获取TSBOW数据集，用于开发与评估在复杂天气与遮挡条件下的车辆检测算法。数据集已建立标准化的对象检测基准，支持对YOLO系列等主流模型进行性能对比与消融研究。使用时应遵循Apache 2.0许可协议，并参考提供的下载脚本与划分标准。该数据集特别适用于探索多天气适应性模型、遮挡处理机制以及半监督学习在交通监控中的创新应用，为智能交通系统的前沿研究提供关键实验基础。

背景与挑战

背景概述

随着全球气候变暖加剧，极端天气事件频发，对交通监控系统的可靠性与鲁棒性提出了严峻考验。传统交通监控数据集多聚焦于常规天气下的车辆检测，难以应对雨雪、雾霾等恶劣条件带来的视觉退化与目标遮挡问题。为此，成均馆大学自动化实验室的研究团队于2025年推出了TSBOW数据集，旨在构建一个涵盖多样化年度天气场景的交通监控基准。该数据集采集自人口稠密的城市区域，包含超过32小时的真实世界交通视频数据，提供了八类交通参与者的精细标注，致力于推动智能交通系统中遮挡车辆检测技术的前沿发展。

当前挑战

TSBOW数据集致力于解决复杂天气条件下交通监控场景中的车辆检测难题，其核心挑战在于极端天气导致的图像质量退化与目标严重遮挡，这要求模型具备强大的特征提取与鲁棒识别能力。在数据构建层面，挑战体现在大规模真实场景视频的采集与标注过程中，如何确保在雨、雪、雾等多种恶劣天气下数据的代表性与平衡性，以及面对海量半自动标注数据时，维持标注精度与一致性所耗费的巨大人力与计算资源。

常用场景

经典使用场景

在智能交通系统研究领域，TSBOW数据集为复杂环境下的车辆检测提供了关键基准。该数据集通过整合多种极端天气条件与密集城市交通场景，成为评估和开发鲁棒性目标检测算法的经典平台。研究人员利用其丰富的标注数据，能够深入探索遮挡物干扰与恶劣天气对模型性能的影响，从而推动计算机视觉技术在交通监控中的前沿应用。

解决学术问题

TSBOW数据集有效应对了现有交通监控数据在极端天气覆盖不足的学术挑战。通过提供包含暴雨、浓雾等恶劣气象条件下的真实世界视频，该数据集解决了模型在复杂环境中泛化能力弱的核心问题。其精细的遮挡标注体系为研究部分可见目标的识别机理提供了数据基础，显著提升了智能交通系统在学术层面的可解释性与可靠性。

衍生相关工作

围绕TSBOW数据集已衍生出多项重要的学术探索，包括针对极端天气的域自适应检测框架与多模态融合识别方法。部分研究团队利用其半自动标注数据开发了高效的弱监督学习流程，显著降低了模型训练对人工标注的依赖。这些工作共同推动了鲁棒性目标检测领域的理论发展，并为后续的大规模交通视频分析奠定了方法论基础。