Camo-M3FD：跨光谱伪装行人检测的新基准数据集
计算机视觉与模式识别
2026-04-21 v1 人工智能
摘要
行人检测是自动驾驶、机器人和监视系统的基础任务。尽管深度学习方法取得了进展，但可靠识别仍面临遮挡、杂乱背景和可见性下降的挑战。虽然多光谱检测——结合可见光和热成像传感器——能缓解可见性差的问题，但伪装行人检测的挑战仍基本未被探讨。现有的伪装对象检测（COD）基准数据集聚焦于生物学物种，留下了在危险关键场景中目标与周围环境混合的安全人类检测的空白。为此，我们引入Camo-M3FD（源自M3FD数据集），用于跨光谱伪装行人检测的新基准数据集，包含注册的可见光-热成像图像对。该数据集通过量化指标筛选，确保前景与背景高度相似。我们提供高质量的像素级掩码，并建立了使用领先COD模型的标准化评估框架。我们的结果表明，热信号提供不可或缺的定位线索，多模态融合对于细化结构细节至关重要。Camo-M3FD为开发健壮且安全关键的检测系统提供了基础资源。该数据集可在GitHub上获取：https://cod-espol.github.io/Camo-M3FD/
引用
@article{arxiv.2604.16582,
title = {Camo-M3FD: A New Benchmark Dataset for Cross-Spectral Camouflaged Pedestrian Detection},
author = {Henry O. Velesaca and Andrea Mero and Guillermo A. Castillo and Angel D. Sappa},
journal= {arXiv preprint arXiv:2604.16582},
year = {2026}
}