Thermal camera data annotation for the Seeing Through the Fog dataset
Notice bibliographique
Résumé
This dataset contains manually annotated thermal frames from the Seeing Through the Fog dataset (https://light.princeton.edu/datasets/automated_driving_dataset/), with labeling performed only on the test set based on the sequence_based_split.json file, which contains the weather conditions and file names associated to each weather. The annotations follow the YOLO format, where each image has a corresponding .txt file containing the class ID and normalized bounding-box coordinates. The labeled classes include Car, Pedestrian, Large Vehicle, and Ridable Vehicle. Some images have very poor visibility or no detectable objects at all. As a result, not all frames contain visible objects. For those cases, the label file is intentionally left empty or is not created. YOLO-based loaders naturally interpret missing or empty label files as images without annotations. The thermal test set consists of 1,142 frames distributed across different weather conditions. Specifically, there are 128 frames each for Clear Day, Clear Night, Snow Day, Snow Night, Light Fog Day, Light Fog Night, Dense Fog Day, and Dense Fog Night. Rain conditions include 54 frames for Rain (Day) and 64 frames for Rain (Night). The variation in the number of frames across weather conditions reflects the original dataset’s availability and the differences in recorded sequences. This labeled subset is designed for evaluating object detection performance on thermal imagery under diverse and challenging weather conditions, and for analyzing how visibility variations affect detection robustness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,030 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».