Descriptor: LYNRED Mobility Dataset Multimodal Detection Subset (LYNRED-MDS)

📄 arXiv: 2607.01871 📥 PDF

作者: Loïc Arbez, Jessy Matias, Xavier Brenière, Jocelyn Chanussot, Ronald Phlypo

分类: cs.CV

发布日期: 2026-07-05

💡 一句话要点

提出LYNRED-MDS数据集以解决低能见度条件下的碰撞预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态检测 行人检测 低能见度预测 热红外成像 数据集构建 高级驾驶辅助系统 智能交通

📋 核心要点

  1. 现有的道路安全系统主要关注碰撞后的损害，缺乏对早期碰撞预测的重视，尤其是在低能见度条件下。
  2. 本文提出LYNRED-MDS数据集，包含4000对RGB-红外图像，旨在提高低能见度条件下的碰撞预测能力。
  3. 实验结果表明，使用YOLOv8n基线模型在行人检测任务中，LYNRED-MDS数据集具有良好的泛化能力。

📝 摘要（中文）

当前的道路安全系统主要集中在减少碰撞后的损害。然而，算法感知的进步正在将重点转向早期碰撞预测，尤其是在夜间或雾霾等低能见度条件下，热红外传感器的表现优于人类视觉和RGB成像。虽然现有的RGB-红外数据集如FLIR ADAS和LLVIP是良好的基准，但它们大多由清晰天气和过于简单的场景组成。本文介绍了LYNRED-MDS：多模态检测子集，这是LYNRED移动数据集的一个子集，包含4000对在法国格勒诺布尔不同天气、光照和道路条件下捕获的RGB-红外图像对。我们的数据集涵盖了多种驾驶环境（城市、乡村、山区等）和符合西欧标准的车辆车队。使用YOLOv8n基线进行的热交叉数据集评估表明，我们的数据集在驾驶场景中的行人检测方面具有强大的泛化潜力。

🔬 方法详解

问题定义：本文旨在解决在低能见度条件下（如夜间或雾霾）进行早期碰撞预测的挑战。现有的RGB-红外数据集多集中于清晰天气和简单场景，无法有效支持复杂环境下的行人检测。

核心思路：通过构建LYNRED-MDS数据集，包含多种天气、光照和道路条件下的RGB-红外图像对，提供丰富的训练和测试数据，以提升算法在复杂环境中的表现。

技术框架：数据集由4000对RGB-红外图像组成，涵盖城市、乡村和山区等多种驾驶场景。采用YOLOv8n作为基线模型进行热交叉数据集评估，验证数据集的有效性。

关键创新：LYNRED-MDS数据集的构建是其核心创新，提供了多样化的低能见度场景，填补了现有数据集在复杂环境下的空白。

关键设计：数据集中的图像对经过精心选择，确保涵盖不同的天气和光照条件，且车辆符合西欧标准，确保数据的代表性和实用性。

📊 实验亮点

实验结果显示，使用LYNRED-MDS数据集进行的行人检测任务中，YOLOv8n模型的性能显著提升，验证了数据集在复杂环境下的强泛化能力，为未来的研究提供了坚实基础。

🎯 应用场景

该研究的潜在应用领域包括高级驾驶辅助系统（ADAS）和自动驾驶技术，能够在低能见度条件下提高行人检测的可靠性，进而提升道路安全性。未来，该数据集可为相关算法的开发和优化提供重要支持，推动智能交通系统的发展。

📄 摘要（原文）

Current road safety systems primarily focus on minimizing post-collision damage. However, advances in algorithmic perception are shifting focus toward early collision prediction, especially in lowvisibility conditions like nighttime or fog, where thermal infrared sensing outperforms both human vision and RGB imaging. While available RGB-infrared datasets such as FLIR ADAS and LLVIP are good benchmarks, they mostly consist of clear weather and overly simple scenarios. In this article, we introduce the LYNRED-MDS: Multimodal Detection Subset, a subset of the LYNRED Mobility Dataset, comprised of 4000 RGB-infrared image pairs captured under diverse weather, lighting, and road conditions around Grenoble, France. Our dataset spans varied driving contexts (urban, rural, mountainous, etc.) and a vehicle fleet compliant with Western European standards. Thermal cross-dataset evaluation using a YOLOv8n baseline suggests that our dataset offers strong generalization potential for pedestrian detection in driving scenarios. By covering critical edge cases, our dataset supports the development of more reliable and deployable vision systems for advanced driver-assistance systems.