Drone LAMS

Drone LAMS是一个基于无人机的面部检测数据集，由东南大学创建，旨在解决无人机高空飞行时面部检测性能低下的问题。该数据集包含从261个视频中捕获的超过43,531个标注和4,001张具有不同俯仰或偏航角度的图像，覆盖范围从-90°到90°。Drone LAMS在检测性能上显著优于现有无人机面部检测数据集，特别是在大俯仰和偏航角度下。该数据集广泛应用于无人机面部检测研究，致力于提升在复杂环境下的检测效率和准确性。

Drone LAMS is a drone-based face detection dataset developed by Southeast University, aiming to address the issue of poor face detection performance when drones fly at high altitudes. This dataset contains over 43,531 annotations captured from 261 videos and 4,001 images with varying pitch or yaw angles, ranging from -90° to 90°. Drone LAMS significantly outperforms existing drone-based face detection datasets in terms of detection performance, especially under large pitch and yaw angles. This dataset is widely adopted in drone-based face detection research, with the goal of enhancing detection efficiency and accuracy in complex environments.

搜集汇总

数据集介绍

构建方式

在无人机视觉感知领域，面对大角度姿态变化下的面部检测挑战，Drone LAMS数据集的构建采用了系统化的采集与标注流程。研究团队通过网页爬虫技术从Skypixel平台获取了527段无人机拍摄视频，并从中筛选出261段具有高度场景多样性的视频作为数据源。为确保数据质量，团队实施了严格的图像选择标准：仅保留姿态或距离发生显著变化的帧，并利用感知哈希算法剔除视觉相似的图像以降低重复率。最终，数据集包含4001张图像，覆盖了俯仰角与偏航角在-90°至90°范围内的广泛变化，并通过人工标注生成了超过43,000个精确的面部边界框。标注过程中采用RetinaFace预标注结合人工校验的双重机制，确保边界框紧密贴合面部轮廓，为模型训练提供了高质量的监督信号。

特点

Drone LAMS的突出特点在于其针对无人机高空拍摄场景的专门化设计。数据集涵盖了俯仰角与偏航角在-90°至90°的全方位变化，有效模拟了无人机在高空作业时面临的大角度面部观测条件。相较于现有无人机面部检测数据集，Drone LAMS显著降低了面部重复率（DR<0.05%），通过引入大量不同视频源而非依赖少数受试者，确保了样本身份的多样性。数据集中包含261种不同场景，如毕业典礼、体育赛事等，室内图像占比约28%，提供了丰富的环境变异性和光照条件。这些特性共同赋予了数据集更强的泛化能力，使其能够支持在复杂无约束场景下鲁棒面部检测模型的训练与评估。

使用方法

Drone LAMS主要用于训练和评估面向无人机平台的面部检测算法。研究者可将数据集划分为训练集、验证集和测试集，利用其大角度姿态样本优化检测模型对极端视角的适应性。在实验设计中，数据集常与WIDER FACE等通用面部检测基准进行对比，以验证其在无人机特定场景下的优越性。典型的使用流程包括：采用RetinaFace等先进检测架构在Drone LAMS上进行端到端训练，通过调整损失函数（如焦点损失）处理正负样本不平衡问题；随后在Pointing'04、AFLW等姿态估计数据集或真实无人机拍摄视频上进行跨域性能测试。数据集的标注格式兼容主流检测框架，其提供的精确边界框信息可直接用于监督学习，而低重复率特性确保了模型不会过度拟合有限的身份特征，从而提升在未知场景中的检测鲁棒性。

背景与挑战

背景概述

随着无人机技术的迅猛发展，其在监控、救援及人群分析等领域的应用日益广泛，而人脸检测作为无人机视觉任务的核心环节，面临着高空拍摄条件下大角度姿态变化的严峻挑战。2017年，东南大学的罗毅、陈思义与马晓光团队推出了Drone LAMS数据集，旨在解决无人机人脸检测在俯仰角与偏航角大幅变化场景中的性能瓶颈。该数据集通过爬虫技术从互联网采集了261段无人机视频，涵盖毕业典礼、体育赛事等多种场景，提取了4001张图像并标注了超过4.3万个人脸边界框，其俯仰角与偏航角范围均扩展至-90°至90°，显著提升了检测模型在复杂角度下的鲁棒性。Drone LAMS的构建不仅填补了无人机人脸检测数据在角度多样性与场景丰富性方面的空白，更为后续研究提供了关键基准，推动了无人机视觉感知技术的实用化进程。

当前挑战

无人机人脸检测领域长期受限于高空拍摄导致的人脸姿态多变、光照条件复杂及正负样本极度不均衡等挑战，现有数据集如Drone FACE与Drone SURF在角度范围与样本多样性方面存在明显不足。Drone LAMS的构建过程中，研究团队需克服视频源中图像相似度高、人脸重复率大等难题，通过感知哈希算法筛选低相似度帧，并采用自动化预标注与人工交叉校验相结合的方式，确保边界框标注的精确性。此外，数据集中大角度人脸样本的稀缺性及标注一致性维护，亦对数据质量与模型泛化能力提出了更高要求。

常用场景

经典使用场景

在无人机视觉感知领域，面对高空飞行时摄像头与地面人脸之间形成的大角度俯仰和偏航姿态，传统人脸检测数据集往往难以提供充分的训练样本。Drone LAMS数据集通过采集自261个无人机视频的4001张图像，覆盖了从-90°到90°的广泛角度范围，成为评估和优化无人机人脸检测模型在极端角度条件下性能的基准工具。该数据集在多种复杂场景中，如毕业典礼、体育赛事等，提供了超过43,000个精确标注的人脸边界框，使得研究人员能够系统性地分析角度变化对检测精度的影响，从而推动无人机人脸检测算法在真实无约束环境中的鲁棒性提升。

衍生相关工作

Drone LAMS数据集的推出激发了无人机视觉领域的一系列后续研究，许多经典工作在此基础上进一步探索角度不变性检测与模型轻量化。例如，结合RetinaFace等先进检测架构，研究者利用该数据集验证了焦点损失函数在处理无人机图像中正负样本不平衡问题的有效性。同时，针对无人机计算资源受限的特点，衍生出基于MobileNet等轻量级骨干网络的优化模型，实现了在保持高精度的同时降低计算开销。这些工作不仅扩展了无人机人脸检测的应用边界，还为多姿态人脸对齐、跨场景泛化等研究方向提供了新的数据基准和实验范式。

数据集最近研究

最新研究方向

在无人机视觉感知领域，Drone LAMS数据集推动了面向大角度姿态的人脸检测研究。该数据集通过涵盖-90°至90°的俯仰和偏航角度范围，解决了无人机高空飞行时因极端视角导致的人脸检测性能下降问题。当前研究聚焦于利用该数据集训练轻量化神经网络模型，如基于RetinaFace的架构，以提升在复杂场景下的检测鲁棒性。同时，结合低重复率标注和多样化场景特性，该数据集促进了跨域适应性研究，为无人机监控、公共安全等实际应用提供了关键数据支撑。

相关研究论文

• Drone LAMS: A Drone-based Face Detection Dataset with Large Angles and Many Scenarios

  东南大学 · 2021年