未公布数据集名称

该数据集由挪威科技大学创建，包含了用于训练神经网络的多张图像，这些图像对船只进行了实例分割标注。数据集专门针对自主渡轮的场景，包含了181张带有船只实例分割注释的图像，旨在区分船只和浮动码头等静态结构，以改善近岸目标跟踪。

This dataset was created by the Norwegian University of Science and Technology. It contains multiple images for neural network training, with instance segmentation annotations for vessels. Tailored for autonomous ferry scenarios, the dataset includes 181 images with vessel instance segmentation annotations, aiming to distinguish vessels from static structures such as floating docks to improve near-shore target tracking.

搜集汇总

数据集介绍

构建方式

该数据集的构建结合了激光雷达（LiDAR）数据与图像分割技术，旨在创建精确的停泊区地图。首先，利用电子海图（ENC）进行初始化，然后累积LiDAR测量数据。只有那些在图像中未被识别为船只的区域才会被存储到地图中。此外，通过投影LiDAR点到相机中，利用深度学习进行图像分割，以识别和过滤掉可能移动的物体。通过这种方式，地图能够精确地反映静态环境，而不会将静止的船只等物体误标为静态结构。

特点

该数据集的特点在于其精确性和动态性。通过结合LiDAR数据和图像分割技术，数据集能够生成不包含可能移动物体的精确地图，从而为近岸目标跟踪提供了更准确的基础。此外，数据集包含了多个序列，展示了皮划艇和日间游艇在停泊区附近移动，并与自主渡轮原型发生碰撞路径的场景，为研究提供了丰富的现实世界数据。

使用方法

使用该数据集的方法包括离线地图构建和近岸目标跟踪。离线地图构建过程涉及初始化ENC、累积LiDAR测量数据、图像分割和地图后处理。在跟踪阶段，使用LiDAR点云进行船只检测，并通过视觉联合集成概率数据关联（VJIPDA）跟踪器进行跟踪。通过比较不同地图的跟踪结果，可以评估地图的精确性对跟踪性能的影响。

背景与挑战

背景概述

在自动驾驶船舶领域，对于近岸环境中的目标检测与跟踪具有极高的需求，尤其是在船舶接近码头时，需要跟踪其他船只以避免碰撞。本文所涉及的研究旨在解决这一问题，通过结合激光雷达（LiDAR）数据和图像数据，为自动驾驶船舶创建精确的地图，并在此基础上进行目标检测和跟踪。研究人员Nicholas Dalhaug、Annette Stahl、Rudolf Mester和Edmund Førland Brekke来自挪威科技大学，他们在本研究中提出了一种新的方法，利用LiDAR数据和图像数据对近岸区域进行精确的地图创建，并通过图像数据来检测和过滤掉潜在的动态物体，从而提高目标检测的准确性。该方法已在实际收集的数据集上进行了验证，并取得了良好的效果。

当前挑战

该数据集的研究背景主要集中在近岸区域的目标检测与跟踪问题上，特别是在船舶接近码头时，需要跟踪其他船只以避免碰撞。然而，现有的方法往往依赖于土地掩模来过滤掉陆地和码头，但这种方法在近岸区域往往不够精确。此外，在地图创建过程中，如何区分静态和潜在的动态物体也是一个挑战。为了解决这些问题，研究人员提出了一种新的方法，利用LiDAR数据和图像数据对近岸区域进行精确的地图创建，并通过图像数据来检测和过滤掉潜在的动态物体。此外，在目标检测和跟踪过程中，如何处理遮挡和目标快速机动的情况也是一个挑战。为了解决这些问题，研究人员使用了一种基于视觉和LiDAR点云的目标检测和分割方法，并通过VJIPDA跟踪器进行目标跟踪，以实现更好的跟踪效果。

常用场景

经典使用场景

该数据集主要用于近岸船舶的检测和跟踪，特别是在自动驾驶船舶靠近码头时。利用激光雷达(LiDAR)数据和图像数据，数据集可以创建精确的地图，并通过神经网络进行船舶检测和分割，从而实现更准确的跟踪。

衍生相关工作

该数据集的衍生工作主要包括基于LiDAR和图像数据的静态环境地图创建方法，以及基于深度学习的船舶检测和分割方法。这些工作可以进一步提高自动驾驶船舶的环境感知能力，并为船舶的自主导航提供更可靠的数据支持。

数据集最近研究

最新研究方向

该数据集的最新研究方向在于利用激光雷达（LiDAR）和相机数据，通过深度学习技术进行精确的近岸船舶检测与跟踪。研究团队提出了一种新的近岸地图创建方法，该方法能够将可能移动的物体从地图中过滤掉，从而避免了传统地图中静态物体对动态物体跟踪的干扰。该方法结合了LiDAR的精确3D测量和图像数据中的视觉信息，使用深度学习模型进行实例分割，以提高对近岸船舶的早期检测能力。研究结果表明，这种方法在现实世界的船舶跟踪中表现出了显著的性能提升，特别是在船舶靠近码头时，能够更早地检测到潜在的危险。这项研究不仅为自主水面舰艇的安全停靠提供了技术支持，也为提高海洋态势感知能力做出了贡献。

相关研究论文

• Near-Shore Mapping for Detection and Tracking of Vessels

  挪威科技大学（NTNU） · 2025年