benediktkol/DDOS
收藏DDOS: The Drone Depth and Obstacle Segmentation Dataset
数据集概述
DDOS数据集包含由无人机捕获的合成航拍图像，以及相应的深度图和像素级语义分割掩码。该数据集专为支持计算机视觉领域的研究和开发而设计，重点关注从航拍图像中进行深度估计和障碍物分割等任务。DDOS强调细小结构的检测（如电线）和在多样天气条件下的有效导航，是推动自主无人机技术算法发展的重要资源。
数据结构
-
数据划分：
- 训练集：包含300次飞行，总计30k张图像用于训练。
- 验证集：包含20次飞行，总计2k张图像用于模型开发期间的验证。
- 测试集：包含20次飞行，总计2k张图像用于训练模型的最终评估。
-
环境：
- 邻里：包含在城市和住宅环境中捕获的数据。
- 公园：包含在公园和自然环境中捕获的数据。
-
飞行数据：
- 每个飞行由唯一的飞行ID表示，并包含在相应的环境目录中。
- 每飞行数据包括：
- 图像：无人机相机捕获的RGB图像。
- 深度：表示物体与相机距离的深度图，保存为uint16 PNG图像，像素值范围从0到65535，线性表示0到100米的距离。
- 分割：用于语义分割的像素级分割掩码。类别及其对应映射如下。
- 光流：表示连续帧之间物体明显运动的光流数据。
- 表面法线：表示物体表面方向的表面法线图。
文件结构概览
data/ ├── train/ │ ├── neighbourhood/ │ │ ├── 0/ │ │ │ ├── depth/ │ │ │ │ ├── 0.png │ │ │ │ ├── ... │ │ │ │ └── 99.png │ │ │ ├── flow/ │ │ │ │ ├── 0.png │ │ │ │ ├── ... │ │ │ │ └── 99.png │ │ │ ├── image/ │ │ │ │ ├── 0.png │ │ │ │ ├── ... │ │ │ │ └── 99.png │ │ │ ├── segmentation/ │ │ │ │ ├── 0.png │ │ │ │ ├── ... │ │ │ │ └── 99.png │ │ │ ├── surfacenormals/ │ │ │ │ ├── 0.png │ │ │ │ ├── ... │ │ │ │ └── 99.png │ │ │ ├── metadata.csv │ │ │ └── weather.csv │ │ ├── ... │ │ └── 249/ │ │ └── ... │ └── park/ │ ├── 0/ │ │ ├── depth/ │ │ │ └── ... │ │ ├── flow/ │ │ │ └── ... │ │ ├── image/ │ │ │ └── ... │ │ ├── segmentation/ │ │ │ └── ... │ │ ├── surfacenormals/ │ │ │ └── ... │ │ ├── metadata.csv │ │ └── weather.csv │ ├── ... │ └── 49/ │ └── ... ├── validation/ │ └── ... └── test/ └── ...
附加信息
-
类别映射： 分割掩码使用以下类别标签进行障碍物分割： python CLASS_MAPPING = { ultra_thin: 255, thin_structures: 240, small_mesh: 220, large_mesh: 200, trees: 180, buildings: 160, vehicles: 140, animals: 100, other: 80 }
-
元数据： 数据集包含元数据，如坐标、姿态、加速度、天气条件和相机参数，为每次飞行提供有价值的上下文信息。
数据集使用
- 数据加载： 参考PyTorch官方数据加载教程：PyTorch Data Loading Tutorial。
- 尊重数据划分： 请确保测试数据不用于验证。混合这些数据集可能导致模型性能评估不准确。
许可证
DDOS数据集在CC BY-NC 4.0许可下公开。
引用
如果您在研究或项目中使用DDOS数据集，请引用我们的论文：
@article{kolbeinsson2023ddos, title={{DDOS}: The Drone Depth and Obstacle Segmentation Dataset}, author={Benedikt Kolbeinsson and Krystian Mikolajczyk}, journal={arXiv preprint arXiv:2312.12494}, year={2023} }
