HSOD-BIT

HSOD-BIT数据集是北京理工大学提出的首个大规模、具有挑战性的高光谱显著性目标检测数据集。该数据集包含319幅高光谱图像及对应的伪彩色图像和像素级标注，这些图像涵盖了北京理工大学及其周边地区在多种天气条件下的校园环境、城市街道、自然风景等多种场景。在数据集的构建过程中，充分考虑了前背景相似、复杂光照条件等挑战，以增强数据集对显著性目标检测算法的全面评估能力。HSOD-BIT数据集的建立为高光谱显著性目标检测技术的研究和发展提供了重要的数据支持。

The HSOD-BIT dataset, proposed by Beijing Institute of Technology, is the first large-scale and challenging hyperspectral salient object detection dataset. It comprises 319 hyperspectral images along with corresponding pseudo-color images and pixel-level annotations. These images cover a variety of scenes including campus environments, urban streets, and natural landscapes under multiple weather conditions around the Beijing Institute of Technology. During the dataset construction, challenges such as foreground-background similarity and complex lighting conditions were thoroughly considered to enhance the dataset's capability for comprehensive evaluation of salient object detection algorithms. The establishment of the HSOD-BIT dataset provides significant data support for the research and development of hyperspectral salient object detection technology.

原始信息汇总

数据集概述

数据集名称

• HSOD-BIT (V1)

数据集描述

• HSOD-BIT是首个大规模、高质量的基准数据集，用于高光谱显著对象检测。
• 该数据集旨在利用光谱信息提高显著对象检测任务的精度。
• 提供319个高光谱数据立方体的像素级手动标注，并生成相应的伪彩色图像。
• 每个数据立方体包含200个波段，覆盖从可见光到近红外波段的光谱信息，空间分辨率高达1240×1680像素。
• 除了常规场景外，还特别收集了具有挑战性的数据，如背景干扰、光照不均、过度曝光等复杂场景。

数据集版本

• 改进版本HOSD-BIT (V2)即将发布，包含更多数据和更全面的挑战。

数据集下载

• 下载链接：https://pan.baidu.com/s/1AsdnO2-nadxTaq9_9Mo3Eg?pwd=tftf

数据格式更新

• 为了更高效的数据存储，高光谱图像数据格式已从原始的MAT变更为H5。

搜集汇总

数据集介绍

构建方式

在构建HSOD-BIT数据集时，研究团队精心设计了数据采集与标注流程，以确保数据的高质量和多样性。该数据集包含319个高光谱数据立方体，每个立方体涵盖200个波段，从可见光到近红外波段，空间分辨率高达1240×1680像素。通过像素级手动标注，生成了相应的伪彩色图像，以满足当代深度学习模型的数据需求。此外，数据集还特别收集了具有挑战性的场景，如相似背景干扰、不均匀光照和过曝等，以增强其在实际应用中的实用性和评估能力。

特点

HSOD-BIT数据集的显著特点在于其大规模、高质量和高多样性。作为首个用于高光谱显著物体检测的大型基准数据集，它充分利用了光谱信息的优势，旨在提升显著物体检测任务的精度。数据集不仅包含了常规场景，还特别纳入了多种复杂和挑战性的环境，如相似背景干扰和不均匀光照，从而更真实地反映了现实世界的复杂性。此外，数据集的高空间分辨率和多波段覆盖，使其在深度学习模型训练中具有极高的应用价值。

使用方法

使用HSOD-BIT数据集时，首先需参考requirements.txt文件安装相关依赖环境。随后，通过运行data_prepare目录下的sc_demo.py和sc_norm.py脚本进行数据预处理。在数据准备就绪后，可以训练教师网络，使用命令nohup python -m torch.distributed.launch --nproc_per_node=4 --master_port=6666 knowledge/teacher_train.py > teacher_train.log 2>&1 &。最后，训练DMSSN网络，使用命令nohup python -m torch.distributed.launch --nproc_per_node=4 --master_port=6666 tools/train.py > DMSSN.log 2>&1 &。为提高数据存储效率，数据格式已从MAT转换为H5，可通过h5py库进行数据加载。

背景与挑战

背景概述

在遥感技术与计算机视觉的交叉领域，高光谱显著目标检测（Hyperspectral Salient Object Detection, HSOD）已成为一个备受关注的前沿课题。HSOD-BIT数据集，作为首个大规模、高质量的高光谱显著目标检测基准数据集，由Qin Haolin及其团队于近期发布。该数据集旨在利用光谱信息的优势，提升显著目标检测任务的精度。HSOD-BIT数据集包含了319个高光谱数据立方体，每个数据立方体覆盖200个波段，从可见光到近红外波段，空间分辨率高达1240×1680像素。此外，数据集还特别收集了具有挑战性的场景，如背景干扰、光照不均等，以反映真实世界的复杂性，从而增强数据集的实用性和评估能力。

当前挑战

HSOD-BIT数据集在构建过程中面临多项挑战。首先，高光谱数据的采集和处理需要高精度的设备和技术，确保数据的准确性和完整性。其次，数据集的标注工作复杂且耗时，需要对每个像素进行手动标注，以确保标注的准确性。此外，数据集的多样性和复杂性也带来了挑战，如如何有效处理背景干扰、光照不均等问题，以提高模型的鲁棒性和泛化能力。最后，数据集的存储和传输也是一个重要问题，特别是从MAT格式转换为H5格式，以提高数据存储和处理的效率。

常用场景

经典使用场景

在遥感图像处理领域，HSOD-BIT数据集被广泛应用于高光谱显著目标检测任务中。该数据集通过提供319个高光谱数据立方体及其对应的伪彩色图像，支持研究人员开发和验证基于光谱信息的显著目标检测算法。其经典使用场景包括但不限于：利用数据集中的高光谱信息进行像素级显著目标分割，以及在复杂背景下（如相似背景干扰、不均匀光照等）进行目标检测模型的训练与评估。

衍生相关工作

基于HSOD-BIT数据集，研究人员已开展了一系列相关工作，推动了高光谱显著目标检测技术的发展。例如，DMSSN（Distilled Mixed Spectral-Spatial Network）模型即是在该数据集上进行训练和验证的，显著提升了显著目标检测的性能。此外，还有其他研究团队基于该数据集开发了多种高光谱图像处理算法，如光谱特征提取、空间特征融合等，进一步丰富了高光谱图像处理的研究内容。

数据集最近研究

最新研究方向

在遥感领域，高光谱显著目标检测（Hyperspectral Salient Object Detection, HSOD）近年来成为研究热点。HSOD-BIT数据集的推出，标志着该领域迈向了一个新的高度。该数据集不仅提供了大规模的高质量高光谱数据，还包含了多种复杂场景，如背景干扰、光照不均等，极大地提升了模型的实际应用能力。最新研究方向主要集中在利用混合光谱-空间网络（DMSSN）进行显著目标检测，通过提取和融合光谱与空间信息，显著提高了检测精度。此外，数据格式的优化，如从MAT到H5的转换，也为数据的高效存储和处理提供了新的解决方案。这些研究不仅推动了高光谱遥感技术的发展，也为实际应用中的目标检测任务提供了强有力的支持。