largescaleuavdataset

一个大规模的无人机数据集，包含模拟的无人机图像序列，以及从开放的CityGML模型自动生成的深度、表面法线、语义和建筑边缘的像素级标注。数据集用于图像理解、多视图3D重建和地理定位。

A large-scale drone dataset comprising simulated drone image sequences, along with pixel-level annotations for depth, surface normals, semantics, and building edges automatically generated from open CityGML models. This dataset is utilized for image understanding, multi-view 3D reconstruction, and geolocation.

原始信息汇总

数据集概述

数据集名称

• Large-Scale UAV Dataset

数据集描述

• 该数据集包含模拟的无人机图像序列，主要用于图像理解、多视图3D重建和地理定位。数据集利用柏林市区域的LoD 2 3D城市模型，通过Google Earth Studio模拟无人机图像序列，并在Blender中进行参数对齐和注释生成。

数据集内容

• 图像数量：144000张模拟无人机图像，覆盖柏林15个区域。
• 模拟场景：
  • 场景1：无人机以恒定速度和恒定视角飞行。
  • 场景2：无人机以恒定速度和线性变化视角飞行。
  • 场景3：无人机以变化速度和变化视角飞行。
• 注释信息：
  • 深度（float，形状：[270, 480]）
  • 表面法线（float，形状：[270, 480, 3]）
  • 边缘（binary，形状：[270, 480]）
  • 语义（integer，形状：[270, 480]），包括类别标签：1 - 墙，2 - 平屋顶，3 - 倾斜屋顶，4 - 复杂屋顶，5 - 地面，0 - 未分类。
• 6-DOF参数：包括坐标（ETRS UTM坐标+DHHN92海拔高度），俯仰和倾斜。

数据集下载

• 数据集可通过链接https://syncandshare.lrz.de/getlink/fiFaHYrhe9EW77DYpQzG5oJo/下载。包含三个子数据集，对应上述三个模拟场景。下载后应使用“md5sum”检查每个子数据集的MD5值，并与提供的“checksums.txt”文件进行比较，以确保下载正确。

代码和文件

• 提供三个Blender文件，分别用于渲染深度、表面法线、语义和边缘。这些文件包含Python脚本和合成节点设置。

引用信息

• 如需引用此数据集，请使用以下参考文献：

  @InProceedings{， author = {Sidi Wu and Lukas Liebel and Marco K"orner}, title = {Derivation of Geometrically and Semantically Annotated {UAV} Datasets at Large Scales from {3D} City Models}, booktitle = {International Conference on Pattern Recognition (ICPR)}, year = {2020} }

搜集汇总

数据集介绍

构建方式

Large-Scale UAV Dataset的构建基于柏林市区的3D城市模型，采用CityGML标准中的LoD 2级别数据。通过Google Earth Studio模拟无人机飞行序列，并在Blender中对图像进行参数对齐和标注生成。数据集包含了深度、表面法线、边缘和语义信息的像素级标注，确保了数据的几何和语义准确性。

使用方法

用户可通过提供的Blender文件进行深度、表面法线、语义和边缘的渲染，利用Python脚本和合成节点设置进行自定义扩展。数据集分为三个子集，分别对应不同的飞行场景，用户可通过MD5校验确保数据完整性。下载后，使用data.f.arr_0解压数据，并结合提供的numpy文件进行深度学习和计算机视觉任务的研究与开发。

背景与挑战

背景概述

Large-Scale UAV Dataset是由慕尼黑工业大学遥感技术研究团队于2020年发布的一个大规模无人机数据集，旨在为图像理解、多视角三维重建和地理定位等任务提供支持。该数据集基于柏林市的三维城市模型（CityGML），通过Google Earth Studio模拟无人机飞行序列，并利用Blender生成像素级的深度、表面法线、语义和边缘标注。数据集包含144,000张模拟图像，覆盖柏林市的15个区域，提供了丰富的几何和语义信息。该研究在CVPR 2020和ICPR 2020会议上发表，为城市环境中的无人机应用提供了重要的数据基础。

当前挑战

Large-Scale UAV Dataset在解决无人机图像理解、三维重建和地理定位等任务时面临多重挑战。首先，无人机图像的高分辨率和复杂场景对标注的精确性提出了极高要求，尤其是在深度和表面法线的生成过程中，如何确保标注的几何一致性是一个技术难点。其次，数据集的构建依赖于CityGML模型，而模型的细节层次（LoD）和数据质量直接影响标注的准确性，如何从开放数据中提取高质量的几何和语义信息是一个关键问题。此外，模拟无人机飞行序列时，飞行参数（如速度、视角）的变化对数据多样性和真实性的影响也需要仔细权衡，以确保数据集能够覆盖多种实际应用场景。

常用场景

经典使用场景

Large-Scale UAV Dataset在计算机视觉领域中被广泛应用于图像理解、多视角三维重建和地理定位等任务。该数据集通过模拟无人机在城市区域中的飞行轨迹，生成了大量带有像素级标注的图像序列，涵盖了深度、表面法线、语义和边缘信息。这些标注数据为研究人员提供了丰富的实验素材，尤其是在城市环境下的三维建模和场景理解方面，具有重要的参考价值。

解决学术问题

该数据集有效解决了无人机图像处理中的多个学术难题。首先，它提供了精确的几何和语义标注，为多视角三维重建算法的验证和优化提供了可靠的基础。其次，通过模拟不同飞行条件下的图像序列，数据集能够支持无人机在不同场景下的性能评估，尤其是在复杂城市环境中的导航和定位问题。此外，数据集的开放性和可扩展性为相关领域的研究提供了便利，推动了无人机视觉技术的进一步发展。

实际应用

在实际应用中，Large-Scale UAV Dataset为城市规划、灾害监测和智能交通等领域提供了重要的技术支持。例如，在城市规划中，利用该数据集生成的三维模型可以帮助决策者更好地理解城市布局和建筑结构。在灾害监测中，无人机图像的分析能够快速评估受灾区域的损毁情况，为救援行动提供数据支持。此外，该数据集还可用于智能交通系统的开发，通过实时分析交通流量和道路状况，优化交通管理策略。

数据集最近研究

最新研究方向

在无人机（UAV）技术迅猛发展的背景下，Large-Scale UAV Dataset为图像理解、多视角三维重建和地理定位等前沿研究提供了丰富的数据支持。该数据集通过模拟城市环境中的无人机图像序列，并自动生成像素级注释，涵盖了深度、表面法线、语义和建筑物边缘等多维度信息。基于CityGML开放数据模型，该数据集不仅为地理对象的语义、几何和拓扑信息提供了精确的基准，还为大规模三维城市模型的生成与应用开辟了新的研究路径。近年来，随着深度学习与计算机视觉技术的深度融合，该数据集在自动驾驶、智慧城市和灾害监测等领域的应用潜力日益凸显，成为推动相关技术发展的关键资源。