作为类脑智能领域的核心感知技术方向，神经形态视觉（事件相机）近年来凭借低延迟、高动态范围、低功耗的特性，正在自动驾驶、工业巡检机器人、智能运动分析、AR/VR交互等多个垂直场景快速落地，但行业长期面临大规模标注数据匮乏的研发瓶颈。近日，法国国家科学研究中心（CNRS）正式发布N-DHF1K、N-UCF Sports两款合成事件显著性数据集，相关成果于2026年5月22日首发于预印本平台arXiv，瞄准这一行业痛点提供解决方案。
本次发布的两款数据集均针对事件相机显著性检测、神经形态视觉建模场景定制：其中N-DHF1K源自成熟的DHF1K视频显著性基准，包含1000个覆盖150种场景类别的视频序列，总帧数超过60万帧，同时融合了17位观察者的逐帧注视点标注数据，覆盖日常城市、自然景观、室内活动等多元场景；N-UCF Sports则基于公开UCF Sports动作数据集构建，包含150段覆盖9类典型体育动作的视频，可适配运动场景下的动态显著性检测需求。两款数据集均通过ESIM仿真库将传统RGB视频流转换为事件流，生成过程采用正负对比度阈值0.09与3毫秒不应期的参数配置，完整保留了运动特征、对比度变化与时间显著性线索，最大限度还原了真实事件相机的输出特性，缩小了仿真数据与真实硬件采集数据的分布差异。
上述合成数据集为事件驱动的视觉注意力建模提供了规模化监督信号，可直接支持动态显著性预测模型的训练与效果评估，典型应用方向包括：自动驾驶场景下对横穿行人、突发障碍物的毫秒级识别预警，工业巡检机器人在复杂光照、高速运动场景下的核心风险区域自动锁定，体育科学领域对运动员技术动作的高精度捕捉与运动表现分析，AR/VR设备的低功耗眼动交互系统优化，以及边缘端智能视觉设备的轻量化算法训练等。本次数据集的发布，填补了神经形态视觉与注意力机制交叉领域的大规模标注数据空白，作为细分领域的核心数据基础设施，将有效推动相关技术的迭代与商业化落地进程。
详情页内容：
_1769672084863.jpg)