有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
SeaDronesSee|无人机视觉数据集|海上搜救数据集
收藏arXiv2021-10-19 更新2024-06-21 收录
下载链接：
https://seadronessee.cs.uni-tuebingen.de
下载链接
链接失效反馈资源简介：
SeaDronesSee是由德国图宾根大学认知系统组创建的大型视觉对象检测和跟踪基准，专注于海洋环境中的人类检测。该数据集包含超过54,000帧，总计400,000个实例，从不同高度和视角（5至260米，0至90度）捕获，并提供详细的元信息。数据集的创建旨在填补陆基视觉系统与海基系统之间的差距，特别适用于无人机辅助的海上搜救任务。SeaDronesSee通过提供精确的元数据，如高度、视角和速度，支持多模态系统的开发，以提高检测的准确性和速度。此外，数据集还包括多光谱图像，利用非可见光谱（如近红外和红边光谱）来增强人类检测能力。
提供机构：
图宾根大学认知系统组
创建时间：
2021-05-05
AI搜集汇总
数据集介绍
构建方式
SeaDronesSee数据集通过在开放水域中使用多种无人机和摄像设备，收集了超过54,000帧的图像和视频数据。这些数据涵盖了从5米到260米不等的飞行高度和0°到90°的视角范围。为了确保数据的多样性和真实性，研究团队在不同的光照条件下进行了多次拍摄，并记录了每帧图像的详细元数据，包括高度、视角、速度和时间等信息。此外，还使用了多光谱相机捕捉了红边和近红外光谱的图像，以增强对水域中人体目标的检测能力。所有数据均经过人工标注，涵盖了游泳者、穿着救生衣的游泳者、救生衣、船只等多种类别，确保了数据集在海上搜救任务中的实用性。
特点
SeaDronesSee数据集的显著特点在于其大规模、多样化的数据采集方式和详细的元数据信息。该数据集包含了超过400,000个标注实例，涵盖了从高空到低空的多种视角和高度，能够有效模拟海上搜救任务中的复杂环境。此外，数据集还提供了多光谱图像，利用红边和近红外光谱增强了人体目标的检测能力。与其他无人机数据集相比，SeaDronesSee特别关注海上环境中的目标检测和跟踪，填补了这一领域的数据空白。
使用方法
SeaDronesSee数据集可用于训练和评估多种计算机视觉算法，特别是在海上搜救任务中的目标检测、单目标跟踪和多目标跟踪任务。研究者可以使用该数据集进行模型训练，并通过提供的评估服务器上传预测结果，与其他研究者进行公平比较。数据集的元数据信息可以用于开发多模态系统，进一步提升检测和跟踪的准确性和效率。此外，多光谱图像的引入为研究者提供了新的研究方向，尤其是在复杂水域环境中的人体检测和识别任务。
背景与挑战
背景概述
SeaDronesSee数据集由德国图宾根大学的认知系统研究组开发，旨在填补无人机在海上环境中进行人类检测和跟踪的数据集空白。该数据集由Leon Amadeus Varga、Benjamin Kiefer、Martin Messmer和Andreas Zell等人于2021年创建，专注于无人驾驶飞行器（UAV）在海上搜救任务中的应用。其核心研究问题是如何在开放水域中高效检测、定位和跟踪人类，这对于搜救任务至关重要。SeaDronesSee数据集包含了超过54,000帧的标注数据，涵盖了从5米到260米不同高度和0到90度视角的多样化场景，提供了详细的元信息，如高度、视角、速度等。该数据集的发布为海上搜救任务中的计算机视觉算法提供了宝贵的训练资源，推动了相关领域的技术进步。
当前挑战
SeaDronesSee数据集面临的主要挑战包括：首先，海上环境中的目标检测和跟踪任务极具挑战性，尤其是在开放水域中，目标（如游泳者）的尺寸相对较小，且视角和高度变化较大，导致目标的可见性较低。其次，现有的无人机数据集大多集中在陆地交通场景，缺乏海上环境的多样化数据，这使得现有算法在海上场景中的泛化能力有限。此外，数据集的构建过程中，如何确保在不同光照条件、视角和高度下采集到高质量的图像，并进行精确的标注，也是一项技术难题。最后，如何利用多模态数据（如红外和红边光谱）提升检测算法的鲁棒性，仍需进一步研究和探索。
常用场景
经典使用场景
SeaDronesSee数据集的经典使用场景主要集中在无人飞行器（UAV）在海上搜救任务中的应用。该数据集通过提供大量从不同高度和视角拍摄的图像和视频，支持计算机视觉算法在复杂的海上环境中进行人体检测、定位和跟踪。这些任务对于搜救任务中的快速响应和准确识别至关重要，尤其是在广阔的海域中，UAV能够提供高效的覆盖和实时监控。
衍生相关工作
SeaDronesSee数据集的发布催生了一系列相关研究工作，特别是在海上搜救和无人飞行器视觉系统领域。基于该数据集，研究者们开发了多种先进的物体检测和跟踪算法，并提出了多模态数据融合的方法，以提高在复杂海上环境中的识别能力。此外，该数据集还推动了元信息感知的目标检测和跟踪研究，探索如何利用高度、视角等元信息提升算法的鲁棒性和准确性。这些研究为未来的海上搜救和无人飞行器应用提供了重要的技术支持。
数据集最近研究
最新研究方向
近年来，SeaDronesSee数据集在无人飞行器（UAV）海上搜救任务中的应用引起了广泛关注。该数据集通过提供大规模的视觉对象检测和跟踪基准，填补了陆地与海上视觉系统之间的空白。其核心研究方向集中在多任务处理上，包括对象检测、单对象跟踪和多对象跟踪，旨在解决海上环境中人类目标的检测与定位难题。此外，SeaDronesSee还引入了多光谱图像数据，利用近红外和红边光谱信息增强目标检测的鲁棒性。该数据集的推出不仅为计算机视觉算法在海上搜救任务中的应用提供了丰富的训练数据，还通过提供详细的元信息，推动了多模态系统的研究进展，尤其是在复杂环境下的目标识别与跟踪技术。
相关研究论文
- 1SeaDronesSee: A Maritime Benchmark for Detecting Humans in Open Water图宾根大学认知系统组 · 2021年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
Figshare
Figshare是一个在线数据共享平台，允许研究人员上传和共享各种类型的研究成果，包括数据集、论文、图像、视频等。它旨在促进科学研究的开放性和可重复性。
figshare.com 收录
CFBenchmark
CFBenchmark是一个专为评估大型语言模型在中文金融助理领域性能而设计的数据集。由同济大学和上海人工智能实验室联合创建，该数据集包含3917个金融文本，覆盖金融识别、分类和生成三大方面，共计八个任务。数据集内容丰富，包括金融新闻和研究报告，文本长度从50字到超过1800字不等，旨在全面测试模型在金融文本处理中的基本能力。创建过程中，专业研究人员对文本进行了严格的筛选和标注，确保数据质量。CFBenchmark的应用领域广泛，主要用于提升金融决策的自动化和智能化水平，解决金融文本处理中的关键问题。
arXiv 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。
国家青藏高原科学数据中心 收录
MeSH
MeSH（医学主题词表）是一个用于索引和检索生物医学文献的标准化词汇表。它包含了大量的医学术语和概念，用于描述医学文献中的主题和内容。MeSH数据集包括主题词、副主题词、树状结构、历史记录等信息，广泛应用于医学文献的分类和检索。
www.nlm.nih.gov 收录
UniProt
UniProt（Universal Protein Resource）是全球公认的蛋白质序列与功能信息权威数据库，由欧洲生物信息学研究所（EBI）、瑞士生物信息学研究所（SIB）和美国蛋白质信息资源中心（PIR）联合运营。该数据库以其广度和深度兼备的蛋白质信息资源闻名，整合了实验验证的高质量数据与大规模预测的自动注释内容，涵盖从分子序列、结构到功能的全面信息。UniProt核心包括注释详尽的UniProtKB知识库（分为人工校验的Swiss-Prot和自动生成的TrEMBL），以及支持高效序列聚类分析的UniRef和全局蛋白质序列归档的UniParc。其卓越的数据质量和多样化的检索工具，为基础研究和药物研发提供了无可替代的支持，成为生物学研究中不可或缺的资源。
www.uniprot.org 收录