面向越野驾驶的全天候感知：大规模多光谱数据集与综合基准
计算机视觉与模式识别
2026-05-01 v1
摘要
越野夜间自动驾驶受限于不可靠的可见光感知，使得红外模态对于精确的自由空间检测至关重要。然而，由于缺乏标注的红外越野数据集以及当前单帧方法固有的帧间不一致性，进展仍然有限。为了解决这些差距，我们提出了IRON数据集，据我们所知，这是第一个用于全天候条件下越野时序自由空间检测的大规模红外数据集，对夜间感知提供了强有力的支持。该数据集包含24,314张在不同场景和不同光照条件下密集标注的红外图像及其同步的RGB图像。基于此数据集，我们提出了IRONet，一种新颖的无光流时序自由空间检测框架，通过记忆注意力机制和精心设计的掩码解码器聚合历史上下文，解决了帧间不一致性问题。在我们的IRON数据集上，IRONet达到了最先进的性能，在实时推理下实现了82.93%（+1.19%）的IoU和90.66%（+0.71%）的F1分数。值得注意的是，IRONet在ORFD和Rellis数据集上也展现了对RGB模态的鲁棒泛化能力。总的来说，我们的工作为可靠的全天候越野自动驾驶和未来的红外时序感知研究奠定了基础。代码和IRON数据集可在https://github.com/wsnbws/IRON获取。
引用
@article{arxiv.2604.27499,
title = {Towards All-Day Perception for Off-Road Driving: A Large-Scale Multispectral Dataset and Comprehensive Benchmark},
author = {Shuo Wang and Jilin Mei and Wenfei Guan and Shuai Wang and Yan Xing and Chen Min and Yu Hu},
journal= {arXiv preprint arXiv:2604.27499},
year = {2026}
}