CDFF低慢小空中目标RGB–红外合成数据集
数据集简介
为什么需要它:两个障碍与一个解法
低慢小(LSS)空中目标的检测训练长期受制于两个障碍:一是真实样本稀缺,目标在画面中往往只有几十像素,采集与标注成本高;二是可见光与红外配对数据难以获取,同一场景、同一时刻的两种模态很难对齐。CDFF 的解法是把「生成」与「验证」拆开:先在几何上声明目标的位置与尺度,再渲染图像,渲染完成后用独立流程核验标注是否兑现,从而把合成数据从「看起来像」推进到「可核对」。
几何先声明、渲染后可验证的设计
CDFF 的核心约束是几何先声明。每个样本的目标位置、尺度与标注框在渲染之前就已确定,渲染之后可独立验证,而不是先出图再人工画框。配套设计包括:零手工布局,目标落位由单目相对深度与可供电图自动推导;闭环反馈,生成端与验证端相互校正;像素对齐 RGB–IR,可见光与伪红外共享同一坐标;目标 LoRA 可替换,便于更换目标外观;纯 CPU 可跑通,降低复现门槛。
架构:生成端 M1–M6、验证端 V1–V9 与闭环反馈
框架分为生成端与验证端两条流水线。生成端由 M1–M6 六个模块串联,完成背景准备、落位推导、目标合成与红外转换;验证端由 V1–V9 九个环节组成,对渲染结果逐项核验。两端之间通过闭环反馈连接,验证不通过的样本回到生成端调整,直至几何声明与渲染结果一致。
数据集规模、构成与标注格式
评测样本共 302 对,其中主基准 300 对,另含 1 条难例的两对样本。300 组条件互不重复,覆盖九类场景、五个时段与五类天气:
| 维度 | 取值 |
|---|---|
| 场景类 | airfield、coastal、desert、forest、industrial、mountain、pure_sky、rural、urban |
| 时段 | dawn 至 night 共 5 档 |
| 天气 | clear、overcast、rainy、foggy、dusty、backlight |
| 目标距离 | near、mid、far 三档 |
画布中位分辨率为 1280×853,目标像素尺度为 13–96 px,中位 37 px。样本目录结构如下:
samples/
├── b000_rgb.png # 可见光成像
├── b000_ir.png # 伪红外(同坐标)
├── b000_meta.json # 条件 + gt_bbox + 深度 + 验证记录
└── _batch_results.json # 批次汇总
背景池为 37,852 张实拍背景,同属九类场景,但不在仓库内,使用前需自行准备。
结果:几何兑现程度、对齐与质量指标
验证端的核验围绕三方面展开:几何兑现程度,即渲染后的目标位置与尺度是否与声明一致;RGB–IR 对齐,即两种模态是否严格共享坐标;以及整体质量指标。评测中还做了消融实验 E1、E2、E3 与多重比较,用于判断各设计环节对最终结果的贡献。
使用说明:本地预览、内容来源、双语与部署
仓库提供 README,涵盖本地预览方式、内容来源说明、双语文档、自检流程、部署方法与素材说明。线上站点为 https://tiger-0214.github.io/CDFF-dataset/ ,可在线浏览 7 张论文图(合计 1.7 MB)。许可条款见仓库中的 THIRD_PARTY_LICENSES.md 与 NOTICE。该数据集对应论文《CDFF:几何先声明、渲染后可验证的低慢小(LSS)空中目标合成数据集生成框架》,投稿期刊为 Neurocomputing,目前处于审稿阶段。