SDM-Car|车辆检测数据集|卫星视频分析数据集

SDM-Car数据集由武汉大学和中国空间技术研究院联合开发，旨在解决卫星视频中低辐射强度下暗淡移动车辆的检测问题。该数据集包含99个高质量卫星视频，覆盖多种场景，如沙漠、城市、港口等，提供了1469948个精确标注的车辆实例。数据集通过珞珈3-01卫星的视频凝视成像模式收集，空间分辨率为0.75米，帧率为6/8 fps。数据集的创建过程包括手动标注和自动化工具辅助标注，最终生成了大量针对暗淡车辆的标注。该数据集的应用领域包括数字城市、智能交通和智能监控，旨在提升卫星视频中暗淡车辆的检测精度。

原始信息汇总

SDM-Car 数据集概述

数据集简介

SDM-Car 数据集用于论文《SDM-Car: A Dataset for Small and Dim Moving Vehicles Detection in Satellite Videos》，并应用于2024年“东方航天港地球卫星II杯”遥感图像智能处理算法竞赛的第二赛道“暗弱目标检测与跟踪”。目前，训练集可通过 http://rsipac.whu.edu.cn 访问，完整数据集和代码将在竞赛结束后发布。

数据集下载

完整数据集可通过以下链接下载：

• 百度云盘
• Google 云盘

数据内容

SDM-Car 数据集包含99个用于移动车辆检测与跟踪的视频序列，其中：

• 64个用于训练集
• 15个用于验证集
• 20个用于测试集

所有数据均由珞珈三号01卫星拍摄，空间分辨率为0.75米。

数据结构

训练集、测试集和验证集的目录结构相同。

标注文件

标注文件 gt.txt 包含以下格式的信息：

• Frame ID: 视频帧的索引。
• Target ID: 每个目标对象的唯一标识符。
• Bounding Box x: 边界框左上角的x坐标。
• Bounding Box y: 边界框左上角的y坐标。
• Bounding Box Width: 边界框的宽度。
• Bounding Box Height: 边界框的高度。
• Target Class: 目标对象的类别，固定为 1 表示车辆。
• -1, -1, -1: 保留字段，始终设置为 -1。

引用

如果您在研究中使用了本数据集，请考虑引用以下文献：

@ARTICLE{10746500,
  title={SDM-Car: A Dataset for Small and Dim Moving Vehicles Detection in Satellite Videos}, 
  author={Zhang, Zhen and Peng, Tao and Liao, Liang and Xiao, Jing and Wang, Mi},
  journal={IEEE Geoscience and Remote Sensing Letters}, 
  year={2024},
  publisher={IEEE}
}

AI搜集汇总

数据集介绍

构建方式

SDM-Car数据集的构建依托于武汉大学与中国空间技术研究院联合研制的珞珈3-01卫星，该卫星通过视频凝视成像模式捕获了99段高质量卫星视频。这些视频覆盖了沙漠、城市、港口、乡村和森林等多种场景，确保了数据集的多样性和广泛适用性。在数据标注方面，SDM-Car专注于小尺寸和低亮度移动车辆的检测，采用无定向边界框进行标注，并通过DarkLabel工具进行自动预测和人工调整，最终获得了超过百万条精确标注。

使用方法

SDM-Car数据集的使用方法主要包括数据预处理、模型训练和性能评估。在预处理阶段，可以通过图像增强技术（如对比度受限自适应直方图均衡化）提升低亮度车辆的可见性。在模型训练中，建议采用基于注意力机制的深度学习模型（如改进的DSFNet），以更好地捕捉低亮度目标的运动特征。性能评估时，可使用召回率、精确率和F1分数等指标，全面衡量模型在低亮度车辆检测任务中的表现。

背景与挑战

背景概述

随着遥感技术的飞速发展，高分辨率卫星视频已成为地球观测中连续动态信息的重要载体。卫星视频中的移动车辆检测技术，旨在从卫星视角定位和识别连续运动中的车辆，广泛应用于数字城市、智能交通和智能监控等领域。然而，现有数据集在低辐射强度下的车辆标注不足，导致现有方法在低辐射条件下检测移动车辆的效果不佳。为此，武汉大学的研究团队于2024年构建了SDM-Car数据集，该数据集由Luojia 3-01卫星采集，包含99个高质量视频，专注于低辐射强度下的小型、暗淡移动车辆的检测与跟踪。SDM-Car数据集的发布为卫星视频中的车辆检测任务提供了更为全面和精确的基准，推动了该领域的研究进展。

当前挑战

SDM-Car数据集在构建和应用过程中面临多重挑战。首先，数据集的核心任务是解决低辐射强度下暗淡车辆的检测问题，这类车辆由于像素强度低、与背景对比度有限，难以被传统方法有效识别。其次，数据集的构建过程中，研究人员需克服卫星视频中复杂背景噪声、运动伪影以及目标尺寸极小等问题。此外，数据标注的精确性也是一大挑战，尤其是对于低像素强度的车辆，手动标注难度极大。为了确保数据质量，研究团队采用了半自动标注工具并结合人工调整，但仍需应对标注一致性和准确性的问题。最后，现有深度学习模型在处理低对比度目标时表现不佳，如何在复杂背景下提升暗淡车辆的检测精度，仍是该数据集应用中的主要技术挑战。

常用场景

经典使用场景

SDM-Car数据集在卫星视频中的小目标检测与跟踪领域具有重要应用。该数据集通过提供大量低辐射强度车辆的精确标注，解决了现有数据集中低对比度车辆标注不足的问题。其经典使用场景包括在复杂背景下的车辆检测，尤其是在城市、港口、沙漠等多样化环境中，能够有效提升车辆检测的准确性和鲁棒性。

解决学术问题

SDM-Car数据集解决了卫星视频中低辐射强度车辆检测的难题。现有数据集往往忽略低对比度车辆的标注，导致现有方法在低辐射条件下检测效果不佳。该数据集通过提供大量低辐射强度车辆的精确标注，填补了这一空白，为学术界提供了一个更全面的基准数据集，推动了小目标检测技术的发展。

实际应用

SDM-Car数据集在实际应用中具有广泛的前景，特别是在智能交通、城市规划和军事监控等领域。通过该数据集，可以实现对卫星视频中低辐射强度车辆的精确检测与跟踪，为交通流量分析、城市规划优化以及军事目标识别提供有力支持。其高分辨率和多样化的场景覆盖，使其在实际应用中表现出色。

数据集最近研究

最新研究方向

随着遥感技术的飞速发展，卫星视频中的移动车辆检测已成为地球观测领域的重要研究方向。SDM-Car数据集的推出，填补了现有数据集中低辐射强度车辆标注不足的空白，为复杂背景下的微小、低对比度车辆检测提供了新的挑战。该数据集由Luojia 3-01卫星采集，包含99段高质量视频，涵盖了多种场景，如城市、港口、沙漠等，极大地丰富了数据多样性。近年来，深度学习模型在车辆检测中的应用逐渐成为热点，研究者们提出了多种基于帧差法、背景减除法以及注意力机制的改进方法。然而，低辐射强度车辆的检测仍面临巨大挑战，SDM-Car数据集的发布为这一领域提供了新的基准。通过结合图像增强和注意力机制，研究者们进一步提升了低对比度车辆的检测精度，为未来研究奠定了坚实基础。该数据集的开放共享，不仅推动了遥感领域的技术进步，也为智能交通、数字城市等应用场景提供了有力支持。

相关研究论文

• SDM-Car: A Dataset for Small and Dim Moving Vehicles Detection in Satellite Videos

  武汉大学, 南洋理工大学, 武汉大学测绘遥感信息工程国家重点实验室 · 2024年