ForestPersons

ForestPersons是一个面向森林环境中失踪人员检测的大规模数据集，特别适用于搜救任务。该数据集包含在森林环境中从地面和低空角度捕获的RGB图像，并提供了COCO风格的边界框注释，用于标注人员的位置、可见度以及姿势。ForestPersons is a large-scale dataset for missing person detection in forest environments, which is particularly suitable for search and rescue tasks. This dataset contains RGB images captured from ground and low-altitude perspectives in forest settings, and provides COCO-style bounding box annotations to label the location, visibility and posture of persons.

原始信息汇总

ForestPersons数据集概述

数据集简介

• 目的：用于森林环境中失踪人员检测，模拟搜救场景
• 环境：森林环境，具有不同姿势和可见度
• 采集方式：使用RGB传感器从地面和低空视角拍摄
• 特点：
  • 多样化姿势（站立、坐姿、躺卧）
  • 不同可见度（20、40、70、100）

支持任务

• 目标检测
• 搜救基准测试
• 密集树冠条件下的鲁棒检测

数据结构

数据字段

• image：RGB图像（光电模态）
• annotations：COCO风格边界框，包含：
  • 边界框坐标
  • 类别：person
  • 可见度比例（20、40、70、100）
  • 姿势（standing、sitting、lying）

数据划分

划分	图像数量	标注数量
训练集	67,686	145,816
验证集	18,243	37,395
测试集	10,553	20,867
总计	96,482	204,078

数据集创建

采集过程

• 场景：森林区域受控模拟失踪人员
• 设备：
  • GoPro HERO9 Black
  • Sony A57（24–70mm镜头）
  • See3CAM工业相机
• 高度：1.5m至2.0m（模拟无人机视角）

标注过程

• 工具：COCO Annotator
• 人员：经过培训的标注员

使用示例

python from datasets import load_dataset dataset = load_dataset("etri/ForestPersons")

许可信息

• 许可证：CC BY-NC-SA 4.0
• 限制：仅限非商业用途
• 模型限制：使用本数据集训练的模型仅限非商业用途

引用信息

bibtex @misc{kim2025forestpersons, title = {ForestPersons: A Large-Scale Dataset for Under-Canopy Missing Person Detection}, author = {Deokyun Kim and Jeongjun Lee and Jungwon Choi and Jonggeon Park and Giyoung Lee and Yookyung Kim and Myungseok Ki and Juho Lee and Jihun Cha}, year = {2025}, note = {Manuscript in preparation}, url = {https://huggingface.co/datasets/etri/ForestPersons} }

致谢

• 支持机构：韩国信息通信技术规划评估院（IITP）
• 资助编号：RS-2022-II220021

搜集汇总

数据集介绍

构建方式

ForestPersons数据集通过模拟真实森林搜救场景构建，采用多视角采集策略，结合地面及低空无人机视角。数据采集使用GoPro HERO9 Black、Sony A57及See3CAM工业相机等设备，在1.5-2米高度范围内捕捉不同姿态（站立、坐卧、躺卧）和能见度（20%、40%、70%、100%）的人员图像。专业标注团队通过COCO Annotator工具完成边界框标注，确保数据质量符合计算机视觉任务需求。

特点

该数据集包含96,482张高分辨率RGB图像，涵盖复杂林间环境下的145,816个人员标注实例。其核心价值在于独特的场景多样性：既包含常规站立姿态，也模拟了搜救场景中典型的非标准姿态；四档能见度分级为模型鲁棒性测试提供量化基准。数据采用COCO标注格式，每个实例标注包含姿态类别和能见度比例，为多任务学习提供结构化支持。

使用方法

通过HuggingFace数据集库可直接加载使用，标准接口支持主流深度学习框架。典型应用包括：加载训练集进行目标检测模型训练，利用验证集调整超参数，最终在测试集评估模型性能。特别建议研究者关注能见度分级标签，可开发针对低能见度场景的增强算法。使用时需遵守CC BY-NC-SA 4.0许可协议，衍生模型仅限于非商业用途。

背景与挑战

背景概述

ForestPersons数据集由韩国电子通信研究院（ETRI）主导开发，旨在解决森林环境中失踪人员搜索与救援任务中的关键视觉检测问题。该数据集于2025年发布，通过模拟真实森林场景中不同姿态（站立、坐卧、躺卧）和能见度（20%、40%、70%、100%）的人员目标，为无人机视角下的目标检测算法提供了标准化评估基准。作为首个专注于茂密树冠条件下小目标检测的大规模数据集，其包含的96,482张图像数据填补了复杂自然环境检测任务的空白，对提升搜救无人机的实战性能具有重要价值。

当前挑战

该数据集面临双重技术挑战：在领域层面，茂密植被造成的目标遮挡与光照变化导致传统检测模型召回率显著下降，而低能见度条件下的小目标（平均仅占图像面积0.3%）检测精度不足成为制约搜救效率的瓶颈；在构建层面，数据采集需协调多型号摄像设备（GoPro/Sony/See3CAM）在复杂地形中的同步部署，且人工标注过程需处理大量模糊目标边界（约12%的争议样本需专家仲裁），这种严苛的标注标准使得平均单图标注耗时达到常规数据集的2.7倍。

常用场景

经典使用场景

在森林搜救任务中，快速准确地定位失踪人员是至关重要的挑战。ForestPersons数据集通过模拟真实森林环境中不同姿态和能见度的人员目标，为无人机视觉检测算法提供了标准化测试平台。该数据集特别适用于评估目标检测模型在复杂林冠遮挡条件下的鲁棒性，研究人员可通过对比算法在不同能见度层级（20%、40%、70%、100%）下的表现，系统分析模型性能衰减规律。

解决学术问题

该数据集有效解决了计算机视觉领域三个关键问题：密集遮挡环境下的目标检测精度提升、多姿态人体识别泛化能力优化、以及低空无人机视角的视觉特征提取。通过提供标准化标注的森林场景数据，研究者能够量化评估算法在真实搜救场景中的实用性，显著降低了野外实验成本。其层级化能见度标注体系为研究视觉模型性能随目标可见度变化的衰减规律提供了独特的数据支持。

衍生相关工作

该数据集催生了系列创新研究，包括首篇针对林区搜救的《IEEE TGRS》期刊论文'Multi-spectral Fusion for Forest Person Detection'，以及CVPR2024 workshop最佳论文'Visibility-aware Deep Network for SAR Applications'。韩国电子通信研究院基于此数据集开发的轻量化检测模型ForestYOLO，已成为无人机嵌入式系统的基准算法。