River Scene Underwater Target Detection Datasets

该数据集由Headwall Nano-Hyperspec成像传感器在DJI Matrice 300 RTK无人机上采集，于2021年7月31日在湖南省浏阳市千龙湖水库（北纬28°18′40.29″，东经113°21′16.23″）收集。数据集包括三个真实的河流场景和模拟数据，每个场景具有270个光谱带，用于近岸水下目标检测研究。

This dataset was collected by a Headwall Nano-Hyperspec imaging sensor mounted on a DJI Matrice 300 RTK drone on July 31, 2021, at Qianlonghu Reservoir, Liuyang City, Hunan Province (28°18′40.29″ N, 113°21′16.23″ E). It includes three real river scenes and simulated data, each with 270 spectral bands, for nearshore underwater target detection research.

原始信息汇总

数据集概述

数据集描述

• 数据来源: 该数据集由Headwall Nano-Hyperspec成像传感器搭载在DJI Matrice 300 RTK无人机上采集，于2021年7月31日在湖南省浏阳市千龙湖水库（28◦18′40.29′′ N, 113◦21′16.23′′ E）收集。
• 数据类型: 高光谱图像数据
• 数据格式: mat
• 数据下载: 下载链接

数据集内容

• River Scene1: 242×341像素，270个光谱波段
• River Scene2: 255×261像素，270个光谱波段
• River Scene3: 137×178像素，270个光谱波段
• Simulated Data: 200×200像素，400至700 nm波长范围，150个光谱波段

数据集关键字段

• data: 包含水下目标的高光谱图像
• target: 陆地上收集的目标先验光谱
• gt: 水下目标分布的真实标签

搜集汇总

数据集介绍

构建方式

在遥感图像处理领域，水下目标检测是一项具有挑战性的任务。为了应对近岸环境中复杂背景对目标信号提取的干扰，研究团队采用高光谱非线性解混技术，通过同时提取水背景端元和分离目标信号，构建了名为NUN-UTD的非线性解混网络。该数据集的构建过程中，研究团队在湖南省浏阳市的千龙湖水库（28◦18′40.29′′ N, 113◦21′16.23′′ E）于2021年7月31日使用Headwall Nano-Hyperspec成像传感器搭载在DJI Matrice 300 RTK无人机上采集了真实水下场景数据。此外，还收集了陆地上目标的先验光谱数据，以支持后续的实验和分析。

特点

该数据集的显著特点在于其真实性和多样性。数据集包含三个不同分辨率的河流场景图像，分别为242×341像素、255×261像素和137×178像素，均覆盖270个光谱波段。此外，数据集还包括模拟数据，具有200×200像素的空间分辨率和150个光谱波段，波长范围从400到700纳米。这些数据不仅提供了高光谱图像中的水下目标信息，还包括目标的先验光谱和地面真值，为水下目标检测研究提供了丰富的数据支持。

使用方法

使用该数据集进行研究时，首先需下载数据集并将其放置在指定文件夹中。数据集格式为mat，包含高光谱图像、目标先验光谱和地面真值等关键信息。用户可以通过修改config.py文件来配置实验参数，并运行main.py脚本进行训练和测试。此外，还提供了demo_for_reproducibility.py脚本，用于复现实验结果，并可下载预训练模型权重以加速实验进程。对于新数据集的训练，用户需生成NDWI水掩膜，通过water_mask文件夹中的NDWI.py脚本实现。

背景与挑战

背景概述

在遥感图像处理领域，水下目标检测是一项具有前景但充满挑战的任务。现有的方法在应对真实近岸环境时面临显著困难，其中杂乱的背景阻碍了目标特征的提取，并加剧了信号失真。为了应对这一问题，高光谱非线性混合自动编码器（NUN-UTD）被提出，旨在通过同时提取水背景端元和分离目标信号，实现近岸水下目标的有效检测。该数据集由刘家轩、齐家豪、朱德辉、温浩、蒋和军和钟平等人于2021年7月在湖南省浏阳市的千龙湖水库采集，使用Headwall Nano-Hyperspec成像传感器搭载在DJI Matrice 300 RTK无人机上。数据集的创建旨在推动水下目标检测在实际场景中的研究，特别是在高成本和部署困难的情况下，提供真实的水下场景数据。

当前挑战

水下目标检测数据集的构建面临多重挑战。首先，水下目标的部署和数据收集成本高昂，导致研究主要依赖模拟数据。其次，真实水下环境的复杂背景和信号失真问题，使得目标特征的提取变得困难。此外，数据集的多样性和代表性不足，限制了其在不同场景下的应用。尽管NUN-UTD方法在高光谱非线性混合方面展示了潜力，但其在实际应用中的有效性和鲁棒性仍需进一步验证。此外，数据集的生成过程中，水体掩膜的自动生成和初始权重的设置也是技术上的挑战。

常用场景

经典使用场景

在遥感图像处理领域，高光谱水下目标检测是一项具有前景但充满挑战的任务。River Scene Underwater Target Detection Datasets 提供了一个真实的水下场景数据集，特别适用于研究近岸水下目标的检测。该数据集通过高光谱非线性混合自动编码器（NUN-UTD）模型，能够有效提取水背景端元并分离目标信号，从而在复杂背景中准确识别水下目标。

解决学术问题

该数据集解决了现有方法在实际近岸环境中难以适应的问题，特别是在背景杂乱和信号失真加剧的情况下。通过提供真实的水下场景数据，该数据集为研究人员提供了一个宝贵的资源，以验证和改进现有的水下目标检测算法。这不仅推动了高光谱遥感技术的发展，也为水下目标检测领域的理论研究提供了实证支持。

衍生相关工作

基于该数据集，已有多项相关研究工作展开。例如，一些研究者利用该数据集开发了新的高光谱图像处理算法，以提高水下目标检测的精度和鲁棒性。此外，该数据集还激发了关于水下目标检测中非线性混合模型的研究，推动了高光谱遥感技术在实际应用中的进一步发展。