ACDC：用于鲁棒语义驾驶场景感知的带对应关系的恶劣条件数据集
计算机视觉与模式识别
2025-11-13 v5
摘要
五级驾驶自动化需要一个鲁棒的视觉感知系统，能够在任何条件下解析输入图像。然而，现有的用于稠密语义感知的驾驶数据集要么以正常条件下捕获的图像为主，要么规模较小。为此，我们引入 ACDC，即用于恶劣视觉条件下多种语义感知任务训练与测试的带对应关系的恶劣条件数据集（Adverse Conditions Dataset with Correspondences）。ACDC 由 8012 张图像的大集合组成，其中一半（4006 张）平均分布于四种常见恶劣条件：雾、夜间、雨和雪。每张恶劣条件图像都配有高质量的像素级全景标注、同一场景在正常条件下的对应图像，以及区分图像内语义内容清晰与不确定区域的二值掩码。1503 张对应的正常条件图像具有全景标注，使标注图像总数达到 5509 张。ACDC 支持语义分割、目标检测、实例分割和全景分割等标准任务，以及新引入的不确定性感知语义分割。一项详实的实证研究表明，ACDC 的恶劣域对最先进的监督与无监督方法构成了挑战，并表明我们的数据集对推动该领域未来进展具有价值。我们的数据集与基准已公开于 https://acdc.vision.ee.ethz.ch
引用
@article{arxiv.2104.13395,
title = {ACDC: The Adverse Conditions Dataset with Correspondences for Robust Semantic Driving Scene Perception},
author = {Christos Sakaridis and Haoran Wang and Ke Li and René Zurbrügg and Arpit Jadon and Wim Abbeloos and Daniel Olmeda Reino and Luc Van Gool and Dengxin Dai},
journal= {arXiv preprint arXiv:2104.13395},
year = {2025}
}
备注
IEEE T-PAMI 2025. Extended version of original conference paper published in ICCV 2021