MMDOD - Multi-Modal and Multi-View Object Detection Dataset MMDOD - Multi-Modal and Multi-View Object Detection Dataset MMDOD - マルチモーダル・マルチビュー物体検出データセット

Le premier benchmark dédié à la fusion d'images multi-modale et multi-vue pour la détection d'objets The first benchmark dedicated to multi-modal and multi-view image fusion for object detection 物体検出のためのマルチモーダル・マルチビュー画像融合に特化した最初のベンチマーク

⬇️ Télécharger le Dataset ⬇️ Download Dataset ⬇️ データセットをダウンロード 📄 Lire la Publication 📄 Read Publication 📄 論文を読む
10,125
Images Images 画像
21,469
Annotations Annotations アノテーション
8
Classes Classes クラス
4
Modalités Modalities モダリティ

🖼️ Aperçu du Dataset Dataset Overview データセット概要

MMDOD Dataset Overview - All Defects

Exemples de défauts et objets à travers les différentes modalités d'imagerie Examples of defects and objects across different imaging modalities 異なる画像モダリティにわたる欠陥とオブジェクトの例

📖 Introduction Introduction はじめに

Contexte : Le dataset MMDOD a été créé pour répondre au besoin croissant de benchmarks dédiés à la fusion d'images multi-modale et multi-vue dans le contexte de la détection d'objets.

Motivation : Les méthodes traditionnelles de détection d'objets peinent à gérer les matériaux transparents et les conditions d'éclairage complexes. MMDOD propose une solution en combinant plusieurs modalités d'imagerie et points de vue pour améliorer la robustesse de la détection.

Applications : Ce dataset est particulièrement adapté pour l'inspection industrielle de conteneurs en verre, la détection de défauts, et le développement de systèmes de vision multi-capteurs. Context: The MMDOD dataset was created to address the growing need for benchmarks dedicated to multi-modal and multi-view image fusion in the context of object detection.

Motivation: Traditional object detection methods struggle with transparent materials and complex lighting conditions. MMDOD offers a solution by combining multiple imaging modalities and viewpoints to improve detection robustness.

Applications: This dataset is particularly suited for industrial glass container inspection, defect detection, and the development of multi-sensor vision systems. 背景：MMDODデータセットは、物体検出の文脈におけるマルチモーダル・マルチビュー画像融合専用の ベンチマークの需要の高まりに応えるために作成されました。

動機：従来の物体検出手法は、透明材料や複雑な照明条件に対処するのが困難です。 MMDODは、複数の画像モダリティと視点を組み合わせることで、検出の堅牢性を向上させるソリューションを提供します。

応用：このデータセットは、産業用ガラス容器検査、欠陥検出、 マルチセンサービジョンシステムの開発に特に適しています。

🔬 Setup Expérimental Experimental Setup 実験セットアップ

Configuration des caméras : Pour générer un dataset multi-modal et multi-vue pour la détection d'objets sur des conteneurs en verre transportés par un convoyeur, un système d'acquisition d'images à double station a été utilisé, chaque station étant composée de six caméras haute fréquence (3 GHz) équipées de capteurs CMOS monochromes. Ces capteurs ne disposent pas de filtres de Bayer et fournissent donc des images en niveaux de gris 10 bits qui sont encodées en profondeur 8 bits à l'aide de protocoles de communication standard.

Les deux stations d'acquisition d'images sont positionnées séquentiellement le long du convoyeur en raison de contraintes spatiales, chaque station capturant trois vues angulaires à l'aide de paires de caméras (une avec un filtre polarimétrique et une sans). Les caméras sont montées le long de six axes optiques dans le plan horizontal, répartis symétriquement sur les deux stations. La séparation angulaire entre les caméras du même type est de 50°, tandis que l'axe optique de chaque caméra est orienté à 40° par rapport à l'axe du convoyeur. Chaque axe optique comprend deux caméras légèrement décalées (±2°) pour accueillir les modalités polarimétriques et non polarimétriques, tout en maintenant une séparation angulaire cohérente entre chaque axe de visualisation.

En termes de positionnement vertical, chaque axe de visualisation est équipé de deux caméras : une caméra "corps" placée dans une configuration à angle bas pour imager la partie inférieure de l'article sans capturer le convoyeur, et une caméra "épaule" placée plus haut, inclinée à des angles variables (-30°). Cette configuration soigneusement calibrée permet une couverture visuelle dense des objets en verre transparents et réfléchissants sous plusieurs points de vue et sous diverses conditions d'éclairage et de polarisation.

Système d'éclairage : La première station fonctionne avec une source de lumière structurée proche infrarouge de 820 nm, qui est non polarisée et conçue pour mettre en évidence les caractéristiques à faible contraste en contrôlant les bandes de lumière éclairées, particulièrement pour la détection d'objets au niveau de la surface (modalité faible contraste). La deuxième station est éclairée par une source de lumière visible polarisée, pilotée par un contrôleur qui permet l'activation sélective des bandes. Cette source émet une lumière linéairement polarisée utilisée en conjonction avec des filtres polarisants montés sur la moitié des caméras pour permettre l'imagerie polarimétrique, cruciale pour le décalage de polarisation en analysant les effets de biréfringence dans le matériau de verre, tandis que les autres caméras capturent des images dans la gamme visible pour l'inspection générale.

Objet en verre : L'objet en verre utilisé tout au long de l'acquisition du dataset est un pot cylindrique mesurant 62 mm de diamètre et 105 mm de hauteur, avec un diamètre de col de 50 mm. Cette géométrie standardisée assure une couverture cohérente à travers toutes les modalités d'imagerie tout en maintenant la compatibilité mécanique avec le setup d'acquisition. Camera Configuration: In order to generate a multi-modal and multi-view dataset for object detection on glass containers transported by a conveyor, a dual-station image acquisition system was used, each station being composed of six high-frequency (3 GHz) cameras equipped with monochrome CMOS sensors. These sensors lack Bayer filters and thus provide 10-bit greyscale images that are encoded to 8-bit depth using standard communication protocols.

The two image acquisition stations are positioned sequentially along the conveyor due to spatial constraints, with each station capturing three angular views using pairs of cameras (one with a polarimetric filter and one without). Cameras are mounted along six optical axes in the horizontal plane, symmetrically distributed across both stations. The angular separation between cameras of the same type is 50°, while the optical axis of each camera is oriented at 40° with respect to the conveyor axis. Each optical axis includes two cameras slightly offset (±2°) to accommodate both polarimetric and non-polarimetric modalities, while maintaining a consistent angular separation between each viewing axis.

In terms of vertical positioning, each viewing axis is equipped with two cameras: a "body" camera placed in a low-angle configuration to image the lower portion of the article without capturing the conveyor, and a "shoulder" camera placed higher, inclined at variable angles (-30°). This carefully calibrated configuration enables dense visual coverage of the transparent and reflective glass objects from multiple viewpoints and under diverse lighting and polarization conditions.

Lighting System: The first station operates with a 820 nm near-infrared structured light source, which is non-polarized and designed to emphasize low-contrast features by controlling illuminated light bands, particularly for surface-level object detection (low contrast modality). The second station is illuminated by a visible polarized light source, driven by a controller that allows selective band activation. This source emits linearly polarized light used in conjunction with polarizing filters mounted on half of the cameras to enable polarimetric imaging, crucial for polarization shift by analysing birefringence effects in the glass material, while the other cameras capture visible-range images for general inspection.

Glass Object: The glass object used throughout the dataset acquisition is a cylindrical jar measuring 62 mm in diameter and 105 mm in height, with a neck diameter of 50 mm. This standardized geometry ensures consistent coverage across all imaging modalities while maintaining mechanical compatibility with the acquisition setup. カメラ構成：コンベアで輸送されるガラス容器の物体検出用のマルチモーダルおよびマルチビューデータセットを生成するために、デュアルステーション画像取得システムが使用されました。各ステーションは、モノクロームCMOSセンサーを搭載した6台の高周波（3 GHz）カメラで構成されています。これらのセンサーにはベイヤーフィルターがなく、標準通信プロトコルを使用して8ビット深度にエンコードされる10ビットグレースケール画像を提供します。

2つの画像取得ステーションは、空間的制約のためにコンベアに沿って順次配置され、各ステーションはカメラのペア（偏光フィルター付きと偏光フィルターなし）を使用して3つの角度ビューをキャプチャします。カメラは水平面の6つの光軸に沿って取り付けられ、両方のステーションに対称的に分散されています。同じタイプのカメラ間の角度分離は50°であり、各カメラの光軸はコンベア軸に対して40°の角度で配向されています。各光軸には、偏光および非偏光モダリティの両方に対応するために、わずかにオフセット（±2°）された2台のカメラが含まれており、各視軸間で一貫した角度分離を維持しています。

垂直位置に関しては、各視軸には2台のカメラが装備されています：コンベアをキャプチャせずに物品の下部を撮像するための低角度構成に配置された「ボディ」カメラと、可変角度（-30°）で傾斜して高く配置された「ショルダー」カメラです。この慎重に校正された構成により、複数の視点および多様な照明および偏光条件下で、透明で反射性のガラスオブジェクトの密な視覚的カバレッジが可能になります。

照明システム：最初のステーションは、820 nm近赤外構造化光源で動作します。これは非偏光であり、照明された光帯域を制御することで低コントラスト特徴を強調するように設計されており、特に表面レベルのオブジェクト検出（低コントラストモダリティ）に使用されます。2番目のステーションは、選択的なバンド活性化を可能にするコントローラーによって駆動される可視偏光光源によって照明されます。この光源は、ガラス材料の複屈折効果を分析することによって偏光シフトに重要な偏光イメージングを可能にするために、カメラの半分に取り付けられた偏光フィルターと組み合わせて使用される線形偏光を放出し、他のカメラは一般的な検査のために可視範囲の画像をキャプチャします。

ガラスオブジェクト：データセット取得全体で使用されるガラスオブジェクトは、直径62 mm、高さ105 mmの円筒形の瓶で、首の直径は50 mmです。この標準化された形状により、取得セットアップとの機械的互換性を維持しながら、すべての画像モダリティにわたって一貫したカバレッジが保証されます。

🎨 Modalités d'Imagerie Imaging Modalities イメージングモダリティ

Le système d'acquisition d'images fournit quatre modalités d'imagerie complémentaires : Décalage de Polarisation, Proche Infrarouge, Visible et Faible Contraste. Chacune est conçue pour capturer des caractéristiques physiques distinctes des conteneurs en verre, améliorant ainsi l'efficacité de la détection d'objets. Ensemble, ces quatre modalités offrent une représentation multi-modale complète de chaque conteneur en verre, capturant à la fois des phénomènes de surface et de subsurface à travers divers domaines optiques et spectraux. The image acquisition system provides four complementary imaging modalities: Polarization Shift, Near-Infrared, Visible, and Low-Contrast. Each designed to capture distinct physical characteristics of glass containers, thereby enhancing the effectiveness of object detection. Together, these four modalities offer a comprehensive, multi-modal representation of each glass container, capturing both surface-level and subsurface phenomena across various optical and spectral domains. 画像取得システムは、4つの補完的な画像モダリティを提供します：偏光シフト、近赤外線、可視光、低コントラスト。それぞれがガラス容器の異なる物理的特性を捉えるように設計されており、物体検出の効果を高めます。これら4つのモダリティは、各ガラス容器の包括的なマルチモーダル表現を提供し、さまざまな光学および分光領域にわたって表面レベルおよび地下現象の両方を捉えます。

1. Décalage de Polarisation 1. Polarization Shift 1. 偏光シフト

Les vues de décalage de polarisation reposent sur la dépolarisation de la lumière linéairement polarisée causée par les contraintes mécaniques internes ou les inclusions dans le matériau de verre. Ces images sont acquises en associant une source de lumière visible polarisée avec des caméras équipées de filtres de polarisation. Jusqu'à trois vues de décalage de polarisation sont acquises par conteneur à partir de caméras au niveau du corps. Polarization Shift views rely on the depolarization of linearly polarized light caused by internal mechanical stresses or inclusions within the glass material. These images are acquired by pairing a polarized visible light source with cameras equipped with polarization filters. Up to three Polarization Shift views are acquired per container from body-level cameras. 偏光シフトビューは、ガラス材料内の内部機械的応力または介在物によって引き起こされる線形偏光の脱分極に依存しています。これらの画像は、偏光フィルターを装備したカメラと偏光可視光源を組み合わせることによって取得されます。コンテナごとに最大3つの偏光シフトビューがボディレベルのカメラから取得されます。

2. Proche Infrarouge (NIR) 2. Near-Infrared (NIR) 2. 近赤外線（NIR）

Les vues proche infrarouge fonctionnent dans un domaine spectral distinct et sont précieuses pour détecter les anomalies de surface ou les variations de matériau internes qui ne sont pas perceptibles dans le spectre visible. Un total de douze vues NIR sont capturées : six vues (trois corps et trois épaules) acquises sous illumination proche infrarouge standard, et six vues supplémentaires capturées sous la même source lumineuse configurée en mode structuré pour l'imagerie à faible contraste. Near-Infrared views operate in a distinct spectral domain and are valuable for detecting surface anomalies or internal material variations that are not perceptible in the visible spectrum. A total of twelve Near-Infrared views are captured: six views (three body and three shoulder) acquired under standard near-infrared illumination, and six additional views captured under the same light source configured in structured mode for Low-Contrast imaging. 近赤外線ビューは、異なるスペクトル領域で動作し、可視スペクトルでは知覚できない表面異常または内部材料変動を検出するのに価値があります。合計12の近赤外線ビューがキャプチャされます：標準の近赤外線照明下で取得された6つのビュー（3つのボディと3つのショルダー）、および低コントラストイメージング用に構造化モードで構成された同じ光源下でキャプチャされた6つの追加ビュー。

3. Lumière Visible 3. Visible Light 3. 可視光

Les vues visibles, obtenues en utilisant une lumière visible non polarisée et des caméras sans filtres de polarisation, servent de modalité principale pour l'évaluation visuelle. Ces images fournissent des informations structurelles détaillées sur les conteneurs en verre, y compris leur forme, leurs contours et leurs caractéristiques de surface. Un total de douze vues visibles sont acquises : six vues sous illumination visible uniforme (trois corps et trois épaules), et six vues supplémentaires capturées en utilisant le motif de lumière structurée utilisé pour l'imagerie à faible contraste. Visible views, obtained using non-polarized visible light and cameras without polarization filters, serve as the primary modality for visual assessment. These images provide detailed structural insight into the glass containers, including their shape, contours, and surface characteristics. A total of twelve Visible views are acquired: six views under uniform visible illumination (three body and three shoulder), and six additional views captured using the structured light pattern used for Low-Contrast imaging. 可視光ビューは、非偏光可視光と偏光フィルターなしのカメラを使用して取得され、視覚評価の主要なモダリティとして機能します。これらの画像は、形状、輪郭、表面特性を含むガラス容器の詳細な構造的洞察を提供します。合計12の可視光ビューが取得されます：均一な可視照明下の6つのビュー（3つのボディと3つのショルダー）、および低コントラストイメージングに使用される構造化光パターンを使用してキャプチャされた6つの追加ビュー。

4. Faible Contraste 4. Low-Contrast 4. 低コントラスト

Les vues à faible contraste sont des images en niveaux de gris capturées à l'aide d'une source d'illumination structurée composée de bandes éclairées et non éclairées configurables. Cette technique d'éclairage améliore la visibilité des variations géométriques subtiles et des caractéristiques de surface, telles que les changements d'épaisseur du verre ou les objets de texture mineurs, qui ne sont pas facilement visibles dans des conditions d'éclairage standard. Low-Contrast views are greyscale images captured using a structured illumination source composed of configurable illuminated and non-illuminated bands. This lighting technique enhances the visibility of subtle geometric variations and surface features, such as glass thickness changes or minor texture objects, that are not easily visible under standard lighting conditions. 低コントラストビューは、構成可能な照明および非照明バンドで構成される構造化照明源を使用してキャプチャされたグレースケール画像です。この照明技術は、標準照明条件下では容易に見えないガラス厚さの変化や小さなテクスチャオブジェクトなどの微妙な幾何学的変動および表面特徴の可視性を向上させます。

🔍 Classes d'Objets et Détectabilité Object Classes and Detectability オブジェクトクラスと検出可能性

Le tableau ci-dessous présente la détectabilité qualitative des différentes classes d'objets à travers les modalités d'imagerie. Les termes Obvious (évident), Unseen (invisible), Unclear (ambigu) et Depends (dépend) décrivent si un objet est clairement visible, invisible, détectable de manière ambiguë ou détectable conditionnellement, respectivement. The table below presents the qualitative detectability of different object classes across imaging modalities. The terms Obvious, Unseen, Unclear, and Depends describe whether an object is clearly visible, invisible, ambiguously detectable, or conditionally detectable, respectively. 以下の表は、画像モダリティ全体にわたる異なるオブジェクトクラスの定性的検出可能性を示しています。Obvious（明白）、Unseen（見えない）、Unclear（曖昧）、Depends（条件付き）という用語は、オブジェクトが明確に見える、見えない、曖昧に検出可能、または条件付きで検出可能かどうかを説明します。

Classe d'Objet / Modalité Object Class / Modality オブジェクトクラス / モダリティ NIR NIR NIR Visible Visible 可視光 NIR Faible Contraste NIR Low-Contrast NIR低コントラスト Visible Faible Contraste Visible Low-Contrast 可視光低コントラスト Décalage de Polarisation Polarization Shift 偏光シフト
Sticker Obvious Obvious Obvious Obvious Depends
Rubber Obvious Obvious Obvious Obvious Depends
Orange Highlighter Unseen Obvious Unseen Depends Unseen
Opaque Filter Obvious Unclear Obvious Unclear Depends
Red Filter Obvious Unclear Obvious Unclear Depends
Rolling Paper Unclear Unclear Unclear Unclear Obvious
Window Filter Unclear Unclear Unclear Unclear Obvious
Scratch Obvious Obvious Depends Depends Unseen

Les cellules surlignées en rouge indiquent une visibilité incohérente entre les modalités (par exemple, les filtres en proche infrarouge vs visible), tandis que les cellules surlignées en orange désignent les cas où la visibilité n'est révélée que par l'imagerie par décalage de polarisation. Red-highlighted cells indicate inconsistent visibility between modalities (e.g., filters in near-infrared vs. visible), while orange-highlighted cells denote cases where visibility is revealed only through polarized shift imaging. 赤でハイライトされたセルは、モダリティ間の一貫性のない可視性を示し（例：近赤外線対可視光のフィルター）、オレンジでハイライトされたセルは、偏光シフトイメージングによってのみ可視性が明らかになるケースを示します。

Exemples de Défauts Defect Examples 欠陥の例

Rubber and Scratch

Rubber & Scratch - Toutes modalités Rubber & Scratch - All modalities Rubber & Scratch - 全モダリティ

Opaque and Red Filter

Opaque Filter & Red Filter - Toutes modalités Opaque Filter & Red Filter - All modalities Opaque Filter & Red Filter - 全モダリティ

Red Filter and Rolling Paper

Red Filter & Rolling Paper - Toutes modalités Red Filter & Rolling Paper - All modalities Red Filter & Rolling Paper - 全モダリティ

Orange Highlighter and Sticker

Orange Highlighter & Sticker - Toutes modalités Orange Highlighter & Sticker - All modalities Orange Highlighter & Sticker - 全モダリティ

🏷️ Classes et Annotations Classes and Annotations クラスとアノテーション

Le dataset MMDOD contient des annotations détaillées pour plusieurs types de défauts et artefacts. Chaque objet est annoté avec des bounding boxes et des labels de classe. The MMDOD dataset contains detailed annotations for several types of defects and artifacts. Each object is annotated with bounding boxes and class labels. MMDODデータセットには、複数のタイプの欠陥とアーティファクトの詳細なアノテーションが含まれています。 各オブジェクトはバウンディングボックスとクラスラベルでアノテーションされています。

🔴 Objets Destructifs 🔴 Destructive Objects 🔴 破壊的オブジェクト

  • Scratch (Rayure) - 1,808 échantillons Scratch - 1,808 samples Scratch（傷）- 1,808サンプル

🟡 Objets Non-Destructifs 🟡 Non-Destructive Objects 🟡 非破壊的オブジェクト

  • Sticker (Autocollant) - 9,082 échantillons Sticker - 9,082 samples Sticker（ステッカー）- 9,082サンプル
  • Rubber (Élastique) - 2,542 échantillons Rubber - 2,542 samples Rubber（ゴム）- 2,542サンプル
  • Rolling Paper (Papier à rouler) - 2,042 échantillons Rolling Paper - 2,042 samples Rolling Paper（巻紙）- 2,042サンプル
  • Opaque Filter (Filtre opaque) - 1,750 échantillons Opaque Filter - 1,750 samples Opaque Filter（不透明フィルター）- 1,750サンプル
  • Red Filter (Filtre rouge) - 1,745 échantillons Red Filter - 1,745 samples Red Filter（赤フィルター）- 1,745サンプル
  • Window Filter (Filtre fenêtre UV) - 1,568 échantillons Window Filter - 1,568 samples Window Filter（UVウィンドウフィルター）- 1,568サンプル
  • Orange Highlighter (Surligneur orange) - 932 échantillons Orange Highlighter - 932 samples Orange Highlighter（オレンジ蛍光ペン）- 932サンプル

📋 Format d'Annotation 📋 Annotation Format 📋 アノテーション形式

Les annotations sont fournies sous forme de fichiers texte (un fichier .txt par image) avec le même nom que l'image correspondante. Chaque ligne du fichier représente une annotation au format : Annotations are provided as text files (one .txt file per image) with the same name as the corresponding image. Each line in the file represents an annotation in the format: アノテーションは、対応する画像と同じ名前のテキストファイル（画像ごとに1つの.txtファイル）として提供されます。ファイルの各行は、次の形式のアノテーションを表します： 

Class;center_x;center_y;width;height

Exemple : Example: 例： 

Sticker;256.3932;301.3744;53.9775;28.4881
Sticker;290.8788;290.8788;54.7272;35.2353
Rubber;71.2203;253.6443;91.212;372.3449

Structure des répertoires : Directory Structure: ディレクトリ構造：

  • train/ : 284 scènes (80%) train/: 284 scenes (80%) train/: 284シーン(80%)
  • test/ : 71 scènes (20%) test/: 71 scenes (20%) test/：71シーン（20%）
  • empty/ : 20 scènes sans défauts empty/: 20 defect-free scenes empty/：20の欠陥のないシーン

Convention de nommage des images : Image Naming Convention: 画像命名規則：

Format : timestamp_modalité_vue_caméra.jpg
Exemple : 20250721112718414_26_10_E.jpg Format: timestamp_modality_view_camera.jpg
Example: 20250721112718414_26_10_E.jpg 形式：timestamp_modality_view_camera.jpg
例：20250721112718414_26_10_E.jpg

Codes de modalités : Modality Codes: モダリティコード：

  • 26 : Visible et Infrarouge (vues 1-6 = NIR, vues 7-12 = Visible) 26: Visible and Infrared (views 1-6 = NIR, views 7-12 = Visible) 26：可視光と赤外線（ビュー1-6 = NIR、ビュー7-12 =可視光）
  • 28 : Faible Contraste 28: Low-Contrast 28：低コントラスト
  • 66 : Décalage de Polarisation (Stress) 66: Polarization Shift (Stress) 66：偏光シフト（ストレス）

Angles de caméra : Camera Angles: カメラアングル：

  • C : Caméra de face C: Front camera C：正面カメラ
  • E : Caméra en plongée E: Top-down camera E：俯瞰カメラ

📊 Statistiques du Dataset Dataset Statistics データセット統計

10,125
Images Totales Total Images 総画像数
21,469
Annotations Totales Total Annotations 総アノテーション数
8
Classes de Défauts Defect Classes 欠陥クラス数

📈 Distribution des Classes 📈 Class Distribution 📈 クラス分布

Class Distribution
Sticker
9,082 échantillons (42.3%)
Rubber
2,542 échantillons (11.8%)
Rolling Paper
2,042 échantillons (9.5%)
Scratch
1,808 échantillons (8.4%)
Opaque Filter
1,750 échantillons (8.1%)
Red Filter
1,745 échantillons (8.1%)
Window Filter
1,568 échantillons (7.3%)
Orange Highlighter
932 échantillons (4.3%)

📋 Répartition Train/Test 📋 Train/Test Split 📋 訓練/テスト分割

Ensemble Split セット Scènes Scenes シーン Images Images 画像 Description Description 説明
Train 284 7,668 Ensemble d'entraînement Training set 訓練セット
Test 71 1,917 Ensemble de test Test set テストセット
Empty 20 540 Scènes sans défauts Defect-free scenes 欠陥のないシーン
Total 375 10,125 -

📝 Citation Citation 引用

Si vous utilisez ce dataset dans vos travaux de recherche, veuillez citer la publication suivante : If you use this dataset in your research work, please cite the following publication: 研究活動でこのデータセットを使用する場合は、次の出版物を引用してください： 

@misc{bernardi2026edif,
  title={End-To-End Multi-View Multi-Modal Detection-Driven Image Fusion: One Method to Fuse them all},
  author={Bernardi, Gwendal and Brisebarre, Godefroy and Roman, Sébastien and Ardabilian, Mohsen and Dellendrea, Emmanuel},
  year={2026},
  note={hal-05493938}
}

⚖️ Licence License ライセンス

Ce dataset est mis à disposition sous licence Creative Commons Attribution 4.0 International (CC BY 4.0). Vous êtes libre de partager et adapter le dataset pour tout usage, y compris commercial, à condition de créditer les auteurs. This dataset is made available under the Creative Commons Attribution 4.0 International (CC BY 4.0) license. You are free to share and adapt the dataset for any purpose, including commercial use, provided you credit the authors. このデータセットはCreative Commons Attribution 4.0 International (CC BY 4.0)ライセンスの下で提供されています。 著者をクレジットすれば、商用利用を含むあらゆる目的でデータセットを共有および改変することができます。