有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
MMAUD|无人机检测数据集|轨迹估计数据集
收藏arXiv2024-02-06 更新2024-06-21 收录
下载链接：
https://github.com/ntuaris/MMAUD
下载链接
链接失效反馈资源简介：
MMAUD数据集是由南洋理工大学电气与电子工程学院创建，专注于小型无人机的检测、分类和轨迹估计。该数据集结合了多种传感器输入，包括立体视觉、多种激光雷达、雷达和音频阵列，以高保真度模拟真实世界场景。MMAUD提供了由Leica生成的精确地面实况数据，增强了数据集的可信度，并支持算法的精确和高效开发。数据集的应用领域包括无人机威胁检测、分类和轨迹估计，旨在解决现代微型无人机威胁带来的挑战。
提供机构：
南洋理工大学电气与电子工程学院
创建时间：
2024-02-06
AI搜集汇总
数据集介绍
构建方式
MMAUD数据集的构建通过整合多种传感器输入，包括立体视觉、多种激光雷达（LIDAR）、雷达和音频阵列，形成了一个多模态的反无人机数据集。该数据集特别关注无人机检测、分类和轨迹估计，旨在填补现有数据集在真实场景应用中的空白。通过使用Leica生成的地面实况数据，MMAUD数据集提供了毫米级的精度，这在反无人机领域是前所未有的。此外，数据集的设计考虑了成本效益，使得传感器配置更加灵活和易于部署。
使用方法
MMAUD数据集可用于开发和验证无人机检测、分类和轨迹估计的算法。用户可以通过访问数据集的GitHub页面获取数据和代码，数据集提供了两种格式：rosbag格式和文件系统格式，方便不同研究需求的使用。数据集的训练、测试和验证集已经预先划分，用户可以直接使用这些数据进行模型训练和评估。此外，数据集还提供了传感器校准工具和脚本，帮助用户进行数据预处理和同步。
背景与挑战
背景概述
随着小型商用无人机技术的迅速发展，其潜在的滥用风险日益凸显。这些无人机具备远距离飞行、高海拔作业以及低热和声学信号排放等特点，使其在未经授权进入受限区域或用于有害活动时极具隐蔽性。为应对这一日益严峻的挑战，南洋理工大学的研究团队于2024年推出了MMAUD数据集，该数据集专注于无人机检测、分类和轨迹估计，填补了现有数据集在多模态感知和精确地面实况数据方面的空白。MMAUD通过整合立体视觉、激光雷达、雷达和音频阵列等多种传感器，提供了丰富的多模态数据，旨在推动无人机威胁检测技术的进步，并为相关领域的研究提供宝贵的资源。
当前挑战
MMAUD数据集的构建面临多项挑战。首先，无人机检测领域的多样性和复杂性要求数据集能够涵盖多种传感器输入，并确保各传感器之间的同步，这在实际操作中极具难度。其次，数据集的地面实况数据生成依赖于高精度的Leica设备，但其5Hz的采样率可能无法满足某些高精度研究的需求，且在无人机快速转向时可能出现数据丢失。此外，数据集的地理覆盖范围受限于新加坡严格的无人机飞行法规，导致数据多样性不足。最后，音频数据的背景噪声处理和传感器校准也是构建过程中需要克服的技术难题。
常用场景
经典使用场景
MMAUD数据集的经典使用场景主要集中在多模态无人机威胁检测、分类和轨迹估计。通过整合视觉、激光雷达、雷达和音频等多种传感器数据，MMAUD为研究人员提供了一个丰富的数据源，用于开发和验证先进的无人机检测算法。该数据集特别适用于复杂环境下的无人机检测，如工业区或军事设施，这些场景通常伴随着重型机械的噪音干扰，增加了检测的难度。
解决学术问题
MMAUD数据集解决了当前无人机检测领域中的多个关键学术问题。首先，它填补了多模态数据集的空白，提供了视觉、激光雷达、雷达和音频等多种传感器数据的融合，使得研究人员能够开发出更全面和鲁棒的检测算法。其次，MMAUD通过提供高精度的Leica生成的地面真实数据，解决了现有数据集中缺乏精确3D位置信息的问题，从而提升了算法的可信度和准确性。
实际应用
在实际应用中，MMAUD数据集可广泛应用于无人机防御系统、机场安全监控以及军事设施的无人机入侵检测。通过结合多种传感器数据，该数据集能够帮助开发出适应复杂环境的无人机检测系统，有效应对小型无人机的潜在威胁。此外，MMAUD的成本效益和开放性使其成为开发移动式、便携式无人机检测设备的理想选择，适用于各种需要实时监控的场景。
数据集最近研究
最新研究方向
在应对小型无人机威胁的背景下，MMAUD数据集通过整合多种感知模态，如立体视觉、激光雷达、雷达和音频阵列，推动了无人机检测、分类和轨迹估计的前沿研究。该数据集不仅填补了现有数据集在多模态融合方面的空白，还通过Leica生成的精确地面实况数据，为算法和模型的优化提供了高可信度的基准。MMAUD的独特之处在于其模拟真实世界场景的能力，特别是在复杂环境噪声下的无人机检测，这为开发高效且适应性强的无人机威胁检测工具提供了宝贵的资源。此外，该数据集的开源特性促进了社区的协作研究，有望在无人机威胁检测领域引发新的研究热潮，特别是在多模态数据融合和实时处理方面。
相关研究论文
- 1MMAUD: A Comprehensive Multi-Modal Anti-UAV Dataset for Modern Miniature Drone Threats南洋理工大学电气与电子工程学院 · 2024年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
URPC系列数据集, S-URPC2019, UDD
URPC系列数据集包括URPC2017至URPC2020DL，主要用于水下目标的检测和分类。S-URPC2019专注于水下环境的特定检测任务。UDD数据集信息未在README中详细描述。
github 收录
中国1km分辨率逐月降水量数据集（1901-2023）
该数据集为中国逐月降水量数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2023.12。数据格式为NETCDF，即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国降尺度生成的。并且，使用496个独立气象观测点数据进行验证，验证结果可信。本数据集包含的地理空间范围是全国主要陆地（包含港澳台地区），不含南海岛礁等区域。为了便于存储，数据均为int16型存于nc文件中，降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理，Matlab发布了读入与存储nc文件的函数，读取函数为ncread，切换到nc文件存储文件夹，语句表达为：ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent])，其中XXX.nc为文件名，为字符串需要’’；var是从XXX.nc中读取的变量名，为字符串需要’’；i、j、t分别为读取数据的起始行、列、时间，leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样，研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令，可查看。数据坐标系统建议使用WGS84。
国家青藏高原科学数据中心 收录
FER2013
FER2013数据集是一个广泛用于面部表情识别领域的数据集，包含28,709个训练样本和7,178个测试样本。图像属性为48x48像素，标签包括愤怒、厌恶、恐惧、快乐、悲伤、惊讶和中性。
github 收录
China Health and Nutrition Survey (CHNS)
China Health and Nutrition Survey（CHNS）是一项由美国北卡罗来纳大学人口中心与中国疾病预防控制中心营养与健康所合作开展的长期开放性队列研究项目，旨在评估国家和地方政府的健康、营养与家庭计划政策对人群健康和营养状况的影响，以及社会经济转型对居民健康行为和健康结果的作用。该调查覆盖中国15个省份和直辖市的约7200户家庭、超过30000名个体，采用多阶段随机抽样方法，收集了家庭、个体以及社区层面的详细数据，包括饮食、健康、经济和社会因素等信息。自2011年起，CHNS不断扩展，新增多个城市和省份，并持续完善纵向数据链接，为研究中国社会经济变化与健康营养的动态关系提供了重要的数据支持。
www.cpc.unc.edu 收录
Materials Project
材料项目是一组标有不同属性的化合物。数据集链接： MP 2018.6.1（69,239 个材料） MP 2019.4.1（133,420 个材料）
OpenDataLab 收录