近岸船舰长短波注册数据集（NSLSR）

近岸船舰长短波注册数据集（NSLSR）是由浙江大学和新加坡管理大学的研究团队创建的，旨在支持近岸海域的长短波红外图像融合和检测研究。该数据集包含1205对已注册的短波红外和长波红外图像，共标注了2818个目标物体。数据集覆盖了多种复杂的近岸场景，具有不同的光照条件，为 maritime detection research 提供了一个宝贵的资源。

The Nearshore Ship Shortwave and Longwave Infrared Registered Dataset (NSLSR) was developed by a research team from Zhejiang University and Singapore Management University, aiming to support research on shortwave and longwave infrared image fusion and detection in nearshore waters. This dataset includes 1205 registered pairs of shortwave infrared and longwave infrared images, with a total of 2818 annotated target objects. It covers a variety of complex nearshore scenarios under varying lighting conditions, serving as a valuable resource for maritime detection research.

原始信息汇总

LSFDNet数据集概述

数据集基本信息

• 名称：LSFDNet
• 用途：用于船舶检测的单阶段融合与检测网络

数据特征

• 数据类型：SWIR（短波红外）和LWIR（长波红外）图像数据
• 应用领域：船舶检测

技术特点

• 网络类型：单阶段融合与检测网络
• 技术方法：结合SWIR和LWIR数据进行目标检测

当前状态

• 论文尚未发表，详细信息将在论文发表后公布

搜集汇总

数据集介绍

构建方式

近岸船舰长短波注册数据集（NSLSR）的构建采用了双目光学同步系统，该系统包含一台短波红外（SWIR）相机和一台长波红外（LWIR）相机，分辨率均为640×512。SWIR相机配备了非制冷InGaAs红外焦平面阵列（FPA）探测器，光谱响应范围为0.9至1.7微米；LWIR相机则采用非制冷VOx红外FPA探测器，光谱响应范围为8至14微米。数据采集覆盖了不同时间段的近岸海洋环境，通过手动校正和异构图像配准算法对图像对进行精确对齐，最终筛选出1,205对配准良好的LWIR-SWIR图像。

特点

NSLSR数据集具有多样化的场景和复杂的光照条件，涵盖了近岸环境中的多种船舶目标。数据集中的每对图像均经过精确配准，并附有详细的船舶目标标注，总计包含2,818个标注对象。该数据集特别关注了SWIR和LWIR图像在复杂海洋环境中的互补特性，如SWIR图像在薄雾穿透和海面高对比度方面的优势，以及LWIR图像在光照变化下的稳定性。

使用方法

NSLSR数据集主要用于训练和评估SWIR与LWIR图像融合及船舶检测算法。研究人员可以利用该数据集进行端到端的融合检测网络训练，如论文中提出的LSFDNet。数据集已按9:1的比例划分为训练集和测试集，便于模型训练和性能验证。此外，该数据集还可用于研究多模态图像融合的其他下游任务，如目标识别和场景理解。

背景与挑战

背景概述

近岸船舰长短波注册数据集（NSLSR）由浙江大学的研究团队于2025年创建，旨在解决复杂海洋环境下船舰检测的难题。该数据集由1205对经过严格配准的短波红外（SWIR）和长波红外（LWIR）图像组成，包含2818个标注目标，覆盖多种光照条件和复杂海岸场景。NSLSR的推出填补了LWIR-SWIR多模态船舰检测领域的数据空白，为相关研究提供了重要支持。该数据集不仅推动了多模态图像融合技术的发展，还为提升船舰检测在恶劣天气条件下的鲁棒性提供了关键数据基础。

当前挑战

NSLSR数据集面临的挑战主要体现在两个方面：领域问题方面，传统单模态船舰检测方法在雾霾、海浪和光照变化等复杂海洋环境下性能显著下降，而现有LWIR-SWIR融合研究匮乏；数据构建方面，双模态图像的精确配准极具挑战性，需克服硬件差异导致的几何变形问题，同时海洋环境的动态特性使得高质量数据采集和标注难度倍增。此外，平衡融合图像中船舰目标显著性提升与海面噪声抑制的矛盾关系也是关键挑战之一。

常用场景

经典使用场景

近岸船舰长短波注册数据集（NSLSR）在复杂海洋环境下的船舰检测任务中展现出卓越的应用价值。该数据集通过结合短波红外（SWIR）和长波红外（LWIR）图像，克服了传统单模态方法在雾天、低光照条件下的局限性。经典使用场景包括港口监控、海上搜救以及军事防御等领域，其中SWIR图像的高对比度和LWIR图像的抗干扰特性为船舰检测提供了互补优势。

衍生相关工作

NSLSR数据集催生了一系列经典研究工作，如LSFDNet等端到端的多模态融合检测框架。这些工作通过引入跨模态特征融合模块（如MLCF）和任务特定损失函数（如OE损失），显著提升了船舰检测的鲁棒性。此外，该数据集还激发了针对红外图像配准、小目标检测等衍生问题的研究，为后续多模态视觉任务树立了新的基准。

数据集最近研究

最新研究方向

近年来，近岸船舰长短波注册数据集（NSLSR）在红外与可见光图像融合领域引起了广泛关注。随着深度学习技术的快速发展，多模态图像融合与目标检测的结合成为研究热点。该数据集通过整合短波红外（SWIR）和长波红外（LWIR）图像，为复杂海况下的船舰检测提供了新的解决方案。前沿研究主要集中在多模态特征融合、跨任务交互以及端到端网络架构的优化上。例如，LSFDNet通过多级跨模态融合模块（MLCF）实现了特征的多层次聚合，显著提升了检测性能。此外，该数据集填补了SWIR和LWIR图像融合领域的空白，为海事安全、港口管理等应用提供了重要支持。其影响不仅体现在算法性能的提升，还推动了多模态感知技术在复杂环境中的实际应用。

相关研究论文

• LSFDNet: A Single-Stage Fusion and Detection Network for Ships Using SWIR and LWIR

  浙江大学, 新加坡管理大学 · 2025年