UW-Bench

UW-Bench数据集由重庆大学微电子与通信工程学院创建，专注于城市内涝检测，包含7,677张标注图像，来源于监控摄像头和手持移动设备。数据集在多种不利条件下收集，如低光照、强光反射和清水条件，旨在提高模型在实际应用中的泛化能力。创建过程中，通过人工标注确保数据质量，适用于提升城市内涝检测的准确性和效率。The UW-Bench dataset was developed by the School of Microelectronics and Communication Engineering of Chongqing University, focusing on urban waterlogging detection. It contains 7,677 annotated images sourced from surveillance cameras and handheld mobile devices. The dataset was collected under various adverse conditions such as low-light environments, strong light reflections and clear water scenarios, aiming to improve the generalization ability of models in practical applications. During the creation process, manual annotation was utilized to ensure data quality, making it suitable for enhancing the accuracy and efficiency of urban waterlogging detection.

原始信息汇总

城市内涝检测数据集 (UW-Bench)

概述

• 数据集名称: Urban Waterlogging Benchmark (UW-Bench)
• 数据集目的: 用于城市内涝检测，特别是在多样化和不利环境条件下。
• 数据集特点: 包含一般样本和困难样本，用于客观评估模型在实际应用中的能力。

数据集详情

• 训练集: 由重庆大学LiVE团队收集和标注。
• 测试集: 由华为提供。
• 数据集链接:
  • 训练集: Baidu Drive | Google Drive

引用

@inproceedings{ song2024lsmadapter, title={Urban Waterlogging Detection: A Challenging Benchmark and Large-Small Model Co-Adapter}, author={Suqi Song and Chenxu Zhang and Peng Zhang and Pengkun Li and Fenglong Song and Lei Zhang}, journal = {ECCV}, issue_date = {2024} }

搜集汇总

数据集介绍

构建方式

在城市内涝检测领域，传统的基于水位传感器的方法维护成本高且难以实现全面覆盖。为了应对这一挑战，我们构建了UW-Bench数据集，该数据集包含7677张图像，涵盖了多种不利条件下的城市内涝场景。数据集的构建过程包括从监控摄像头和手持设备中收集图像，并通过人工标注生成像素级的水浸区域标签。这一过程确保了数据集的高质量和可靠性，为后续的深度学习模型训练提供了坚实的基础。

特点

UW-Bench数据集的显著特点在于其多样性和挑战性。数据集不仅包含了常规的水浸场景，还特别关注了低光照、强光反射和清澈水体等不利条件下的图像，这些条件极大地增加了检测的难度。此外，数据集的规模和标注精度也为其在实际应用中的有效性提供了保障，使得模型能够在复杂的城市环境中进行准确的检测和分割。

使用方法

UW-Bench数据集适用于各种基于深度学习的内涝检测模型训练和评估。研究人员可以通过该数据集训练和验证其模型在不同环境条件下的性能，从而提升模型的鲁棒性和准确性。具体使用方法包括将数据集划分为训练集和测试集，利用标注信息进行监督学习，并通过常见的分割指标如精确度、召回率、F1分数和交并比（IoU）来评估模型性能。

背景与挑战

背景概述

城市内涝检测是一个关乎公共安全和基础设施的重要问题。传统方法依赖于水位传感器，但这些方法需要高维护成本且难以实现全面覆盖。近年来，利用监控摄像头图像和深度学习技术进行检测的方法逐渐兴起，然而这些方法在数据稀缺和恶劣环境条件下表现不佳。为此，宋苏奇等人于2024年创建了UW-Bench数据集，旨在通过多样化的恶劣条件下的数据集推动实际应用的发展。该数据集由重庆大学微电子与通信工程学院的研究团队主导，联合华为技术有限公司和华为诺亚方舟实验室共同开发，包含7677张标注图像，涵盖了从监控摄像头和手持移动设备采集的水涝图像。UW-Bench数据集的建立不仅为城市内涝检测提供了丰富的数据资源，还通过提出大-小模型协同适配范式（LSM-adapter），结合大模型的通用分割潜力和小模型的任务导向指导，显著提升了检测性能。

当前挑战

UW-Bench数据集面临的挑战主要集中在两个方面。首先，城市内涝检测任务本身具有高度复杂性，水涝区域的形状、大小和深度各异，使得学习统一的特征集变得困难；水面反射和浅水区域的清晰度问题也使得水体纹理信息不明显；低光照条件下，水涝特征不显著，进一步增加了检测难度。其次，数据集构建过程中，数据稀缺和标注多样性不足也限制了现有方法的泛化能力。尽管SAM模型在零样本能力上表现出色，但由于缺乏任务特定知识和依赖手动提示，其在下游任务中的表现不尽如人意。因此，如何在数据稀缺和恶劣条件下提升模型的检测性能，是UW-Bench数据集面临的主要挑战。

常用场景

经典使用场景

UW-Bench数据集在城市内涝检测领域中被广泛应用于开发和评估先进的深度学习模型。其经典使用场景包括利用监控摄像头图像和手持设备拍摄的图像，通过深度学习算法进行水涝区域的自动检测和分割。这些图像涵盖了各种不利条件，如强光反射、低光环境和清澈水体，为模型提供了多样化的训练和测试环境。

衍生相关工作

UW-Bench数据集的发布催生了多项相关研究工作，特别是在利用视觉基础模型（如SAM）进行城市内涝检测的领域。研究者们提出了多种模型适配器和训练策略，如Large-Small Model co-adapter（LSM-adapter），以提高模型在复杂环境下的性能。这些工作不仅提升了检测精度，还为其他类似的环境监测任务提供了新的研究方向和方法。

数据集最近研究

最新研究方向

在城市内涝检测领域，UW-Bench数据集的最新研究方向主要集中在利用先进的视觉基础模型和深度学习技术，以应对复杂环境下的水涝检测挑战。研究者们通过构建一个包含多种不利条件（如低光照、强光反射和清水）的挑战性基准数据集，推动了实际应用中的技术进步。特别是，提出的Large-Small Model co-adapter（LSM-adapter）范式，结合了大模型的通用分割能力和小模型的任务导向指导，通过Triple-S Prompt Adapter模块和Dynamic Prompt Combiner，生成并合并多重提示以适应掩码解码器。此外，Histogram Equalization Adapter模块的设计增强了图像编码器的适应性，从而在复杂环境中实现了更精确的水涝检测。这些研究不仅提升了模型的性能，还为城市水涝检测提供了新的视角和方法，具有重要的实际应用价值和科学意义。

相关研究论文

• Urban Waterlogging Detection: A Challenging Benchmark and Large-Small Model Co-Adapter

  重庆大学微电子与通信工程学院 · 2024年