MosquitoFusion|蚊子检测数据集|计算机视觉数据集

arXiv2024-04-02 更新2024-06-21 收录

蚊子检测

计算机视觉

下载链接：

https://github.com/faiyazabdullah/MosquitoFusion

下载链接

链接失效反馈

资源简介：

MosquitoFusion数据集由国际联合大学创建，包含1204张多样化的图像，用于实时检测蚊子、蚊群和繁殖地。数据集通过精细的预处理和增强技术，如翻转、旋转和灰度处理，提高了数据质量。该数据集主要用于训练和验证深度学习模型，特别是在计算机视觉领域，以自动化识别蚊子相关目标。此外，结合地理信息系统（GIS），该数据集还能提供空间分析的深入洞察。应用领域包括公共卫生、环境监测和疾病控制策略，旨在通过快速检测蚊子来预防蚊媒疾病。

提供机构：

国际联合大学

创建时间：

2024-04-02

AI搜集汇总

数据集介绍

构建方式

MosquitoFusion数据集通过精心策划的实地工作构建，收集了1204张详细图像，涵盖蚊子、蚊群和繁殖地点。这些图像在日光和阳光环境下拍摄，确保了数据的多样性和真实性。数据集通过Roboflow工具进行仔细标注，确保每张图像的准确性和代表性。此外，数据预处理步骤包括自动定向、调整大小至640x640像素、过滤无标注图像以及应用翻转、旋转、裁剪和灰度化等增强技术，以提高数据集的多样性和质量。

使用方法

MosquitoFusion数据集适用于训练和验证基于深度学习的蚊子检测模型。用户可以利用预训练的YOLOv8s模型进行对象检测，该模型在数据集上实现了57.1%的平均精度（mAP@50），精度为73.4%，召回率为50.5%。数据集的训练、验证和测试集划分合理，确保了模型的可靠评估。此外，结合地理信息系统（GIS）的使用，可以进一步增强对空间模式的理解和分析，为公共卫生和环境监测提供有力支持。

背景与挑战

背景概述

MosquitoFusion数据集由Md. Faiyaz Abdullah Sayeedi、Fahim Hafiz和Md Ashiqur Rahman于2024年在ICLR会议上发布，隶属于United International University的计算机科学与工程系。该数据集旨在通过深度学习技术实现蚊子、蚊群和繁殖地的实时检测，以应对全球范围内由蚊媒疾病带来的重大健康威胁。数据集包含1204张精心挑选的图像，涵盖了多种场景，并通过预训练的YOLOv8模型展示了其在蚊子检测任务中的有效性，平均精度（mAP@50）达到57.1%。该数据集的发布不仅为蚊媒疾病的预防提供了新的技术支持，还通过地理信息系统（GIS）的整合，增强了空间分析的深度，为公共卫生和环境监测领域提供了宝贵的资源。

当前挑战

MosquitoFusion数据集在构建过程中面临多项挑战。首先，蚊子及其繁殖地的图像采集具有较高的难度，蚊子体型小、移动迅速，且常以动态群体形式出现，导致图像获取和标注过程复杂。其次，数据集存在类别不平衡问题，繁殖地类别的样本数量远超蚊子和蚊群类别，需通过数据增强技术进行平衡处理。此外，现有模型在区分蚊群与其他昆虫形成的群体时表现不佳，未来需开发专门模型以解决这一问题。最后，数据集的多样性和真实性要求较高，需确保图像在不同光照和环境条件下的代表性，以提升模型的泛化能力。

常用场景

经典使用场景

MosquitoFusion数据集的经典使用场景主要集中在利用深度学习技术进行蚊子、蚊群和繁殖地的实时检测。通过预训练的YOLOv8模型，该数据集能够高效地识别和定位这些目标，尤其在公共卫生和环境监测领域具有重要应用。其多类别的图像数据为模型提供了丰富的训练样本，使得在复杂环境中进行精确检测成为可能。

解决学术问题

MosquitoFusion数据集解决了现有研究中多类别蚊子检测数据集匮乏的问题，特别是实验室环境数据与实际场景脱节的情况。该数据集通过提供多样化的图像数据，帮助研究者开发更鲁棒的检测模型，从而有效应对蚊媒疾病的传播。其结合地理信息系统（GIS）的分析方法，进一步提升了对蚊子繁殖和活动空间模式的认知，为疾病预防提供了科学依据。

实际应用

MosquitoFusion数据集在实际应用中展现出广泛的前景，特别是在公共卫生和疾病控制领域。通过实时检测蚊子及其繁殖地，相关部门可以更有效地制定和实施疾病预防策略，减少蚊媒疾病的传播风险。此外，该数据集还可用于环境监测，帮助识别和控制蚊子繁殖的高风险区域，从而提升社区健康水平。

数据集最近研究