KIIT-MiTA

KIIT-MiTA数据集是由KIIT大学创建的军事目标检测专用数据集，旨在为无人机视觉分析提供多光谱环境下的基准数据。该数据集包含1,700张无人机拍摄的高质量图像，并标注了超过4,100个精细标签，涵盖火炮、导弹、雷达等七类军事目标。其创建过程通过对原始彩色图像进行技术增强，生成了灰度、热成像、夜视和模糊视觉四种模拟真实环境条件的变体。该数据集主要应用于军事人工智能和无人机监控领域，旨在评估和提升目标检测模型在低光照、热信号及复杂气象等多样化实战场景下的鲁棒性与可靠性。

The KIIT-MiTA dataset is a dedicated military object detection dataset developed by KIIT University, designed to offer benchmark data for unmanned aerial vehicle (UAV) visual analysis in multispectral environments. It comprises 1,700 high-quality images captured by UAVs, with more than 4,100 fine-grained annotations covering seven categories of military targets including artillery, missiles, and radars. During the dataset construction process, technical enhancements were applied to the original color images to generate four variants simulating real-world operational conditions: grayscale, thermal imaging, night vision, and blurred vision. This dataset is primarily utilized in the fields of military artificial intelligence and UAV surveillance, with the goal of evaluating and enhancing the robustness and reliability of object detection models across diverse real-world scenarios such as low-light environments, thermal signals, and complex meteorological conditions.

原始信息汇总

数据集概述：KIIT Military Target Archive (KIIT-MiTA)

KIIT-MiTA 是一个专为军事目标检测与识别设计的高分辨率无人机图像数据集，旨在支持军事场景下的实时目标检测与跟踪算法研发。

核心特性

• 图像规模：包含 1,700 张 高质量无人机图像。
• 标注信息：超过 4,100 个 精细化标注，采用 YOLO 格式，提供归一化边界框坐标与类别标签。
• 目标类别：涵盖 7 类 军事目标：
  • Artillery（火炮）
  • Missile（导弹）
  • Radar（雷达）
  • Multiple Rocket Launcher（多管火箭发射器）
  • Soldier（士兵）
  • Tank（坦克）
  • Vehicle（车辆）
• 数据多样性：图像包含不同光照、背景、角度和天气条件，增强模型鲁棒性。
• 数据增强：应用了调整大小、裁剪等技术，提升泛化能力。
• 数据划分：分为三个子集：
  • 训练集：80%
  • 验证集：10%
  • 测试集：10%

数据来源与标注流程

• 收集方式：通过授权无人机操作拍摄及 YouTube 等公开平台获取视频，并从中提取帧。
• 标注工具：使用开源工具 CVAT 进行手动边界框标注。

用途与许可

• 用途限制：仅限 教育和研究目的，禁止商业用途。
• 引用要求：若在项目或出版物中使用，需提供适当 attribution，并引用相关研究论文。
• 许可证：Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
• 论文信息：该数据集基于 2025 年发表在 IEEE ISACC 会议的论文“Drones in Defense: Real-Time Vision-Based Military Target Surveillance and Tracking”，可通过 DOI 10.1109/ISACC65211.2025.10969335 访问。

获取链接

• Kaggle：https://www.kaggle.com/
• Google Drive：https://drive.google.com/
• Mega：https://mega.nz/
• GitHub 仓库：https://github.com/

搜集汇总

数据集介绍

构建方式

在现代军事行动中，无人机已成为情报获取与精确打击的关键工具，而目标检测系统在不同环境下的鲁棒性仍是核心挑战。KIIT-MiTA数据集构建了涵盖1,700张高分辨率无人机图像的原始库，标注超过4,100个实例，涵盖火炮、导弹、雷达等七类军事目标。为模拟真实场景的多变性，研究人员将原始图像通过OpenCV技术转化为四种视觉模态：灰度图去除色彩干扰以强化形状特征；热感图利用Inferno颜色映射模拟红外热成像；夜视图通过亮度增强与绿色着色模拟微光环境；模糊视觉则叠加轻度运动模糊、雾化与对比度调整以模拟低能见度条件。这四种变体数据集均遵循YOLO格式标注，并划分为训练、验证与测试子集，为多光谱条件下的目标检测评估提供了标准化基础。

使用方法

使用者可直接从官方仓库获取KIIT-MiTA原始彩色图像，并依据论文提供的OpenCV脚本生成所需的视觉变体。数据集采用YOLO标准格式，每个图像对应一个文本文件，内含归一化的边界框坐标与类别索引，便于直接接入YOLOv11等主流检测框架。推荐研究者将1280×720的原始图像缩放至640×640像素进行训练，并采用论文中验证有效的微批次大小16与100轮迭代的配置。为深入评估模型鲁棒性，建议将四种视觉变体分别作为独立数据集训练，并重点对比mAP@50与mAP@50-95指标——夜视与模糊视觉变体在精度上表现最优，而灰度图在推理速度上具有优势。该数据集特别适用于开发适应低光照、热干扰等战场环境的鲁棒检测系统，也支持多模态融合策略的探索。

背景与挑战

背景概述

随着无人机在军事侦察、监视与精确打击中的广泛应用，其在复杂环境下的目标检测能力成为研究焦点。KIIT-MiTA数据集由印度KIIT大学的Sourov Roy Shuvo及其团队于2026年创建，专注于解决军用无人机图像中的多类别目标检测问题。该数据集包含1700张高清航拍图像，涵盖火炮、导弹、雷达、火箭炮、士兵、坦克及车辆等七类军事目标，标注超过4100个实例。论文围绕灰度热成像、夜视与遮蔽视觉四种模态展开分析，评估YOLOv11s模型在不同模拟环境下的检测性能，为无人机在实战中的智能感知系统提供了关键基准，在军事AI与防御自动化领域具有显著影响力。

当前挑战

该数据集所面临的挑战主要源于军事环境中动态与极端条件的复杂性。首先，无人机目标检测需应对低光照、高热量与雾气遮挡等视觉退化场景，现有模型在热成像与夜视模态下的精度仍待提升，实验显示灰度图的mAP@50仅为0.603，远低于夜视的0.701。其次，数据集构建过程中，团队需人工模拟多种光谱转化，如通过伪热色域映射与绿光增强生成热成像与夜视影像，并引入模糊与对比度扰动构建遮蔽场景，计算量巨大且需保证增强后的图像不丢失关键特征，这对数据预处理与标注一致性提出了严峻考验。

常用场景

经典使用场景

KIIT-MiTA数据集专为无人机视角下的军事目标检测任务而设计，其经典使用场景聚焦于多光谱视觉条件下的目标识别与定位。研究者可利用该数据集训练与评估深度学习模型，在灰度、热成像、夜视及ObscuraVision（模拟雾霾、运动模糊等环境干扰）四种模态下，对火炮、导弹、雷达、火箭炮、士兵、坦克及车辆七类军事目标进行精准检测。该数据集为验证模型在复杂战场环境中的适应性与鲁棒性提供了标准化基准，尤其适用于低可见度、热源干扰及夜间隐蔽场景下的目标检测研究。

解决学术问题

该数据集系统性地解决了军事目标检测领域中多光谱环境适应性评估的学术难题。现有研究大多聚焦于理想光照条件下的检测性能，而KIIT-MiTA通过构建四种视觉退化模态，填补了热成像、夜视及环境遮蔽场景下目标检测能力对比分析的研究空白。它使学术界能够量化评估模型在非理想成像条件下的精度衰退规律，并探索特征提取、注意力机制与数据增强等策略对鲁棒性的提升贡献。该数据集推动了无人机军事目标检测从实验室场景向真实战场的学术跨越，为构建全天候、全光谱的智能侦察系统奠定了方法论基础。

实际应用

在实际军事场景中，KIIT-MiTA数据集支撑着无人机自主侦察与精确打击系统的研发。基于该数据集训练的YOLOv11s模型可部署于战术无人机平台，在昼夜交替、雾霾弥漫或红外隐身穿透等恶劣环境中实时识别敌方火炮阵地、导弹发射车及步兵集群。其夜视与热成像检测能力尤为关键，能赋能夜视瞄准镜与红外导引头实现冷热目标区分。此外，ObscuraVision模态模拟的轻度环境干扰（如运动模糊与对比度异常），可用于预判传感器受污染或光学抖动时的检测失效边界，提升战场系统的抗干扰容错能力。

数据集最近研究

最新研究方向

在军事无人机目标检测领域，KIIT-MiTA数据集的最新研究聚焦于跨视觉谱系（灰度、热成像、夜视及模糊视觉）下的模型鲁棒性评估。该研究通过构建四种模拟真实战场环境（如低光照、热源探测、雾霾及运动模糊）的增强数据集，结合YOLOv11-small轻量化模型，系统分析了不同视觉条件对军事目标（如火炮、导弹、雷达、士兵等）检测精度的影响。实验表明，夜视模态在mAP@50指标上达到0.701，显著优于灰度模态的0.603，验证了多光谱仿真在提升无人机侦察系统环境适应性与作战效能中的关键作用。这一工作为应对现代战争复杂动态场景下的目标识别挑战提供了创新解决方案，推动了军事人工智能在防御与进攻任务中的实际部署能力。

相关研究论文

• Comparative Analysis of Military Detection Using Drone Imagery Across Multiple Visual Spectrums

  KIIT大学 · 2026年