PEOD：面向挑战条件下目标检测的像素对齐 Event-RGB 基准
计算机视觉与模式识别
2025-11-12 v1
摘要
针对挑战场景的鲁棒目标检测越来越依赖于事件相机，然而现有的 Event-RGB 数据集仍受限于极端条件覆盖稀疏和低空间分辨率（<= 640 x 480），这阻碍了在挑战场景下对检测器的全面评估。为了解决这些局限性，我们提出了 PEOD，这是首个面向挑战条件下目标检测的大规模、像素对齐且高分辨率（1280 x 720）的 Event-RGB 数据集。PEOD 包含 130 余个时空对齐序列和 34 万个手工标注的边界框，其中 57% 的数据在低光照、过曝光和高速运动下采集。此外，我们在 PEOD 上对三种输入配置（基于 Event、基于 RGB 和 Event-RGB 融合）下的 14 种方法进行了基准测试。在完整测试集和正常子集上，基于融合的模型取得了优异的性能。然而，在光照挑战子集中，表现最优的基于 Event 的模型优于所有融合模型，同时融合模型仍优于其对应的基于 RGB 的模型，这表明当帧模态严重退化时现有融合方法存在局限性。PEOD 为多模态感知建立了一个真实且高质量的基准，并促进未来的研究。
关键词
引用
@article{arxiv.2511.08140,
title = {PEOD: A Pixel-Aligned Event-RGB Benchmark for Object Detection under Challenging Conditions},
author = {Luoping Cui and Hanqing Liu and Mingjie Liu and Endian Lin and Donghong Jiang and Yuhao Wang and Chuang Zhu},
journal= {arXiv preprint arXiv:2511.08140},
year = {2025}
}