IceHorizon

IceHorizon数据集由瑞典中部大学创建，专为冰覆盖水域中的地平线检测研究而设计。该数据集包含38个视频片段（30个船基视角和8个无人机视角），共提取12360帧图像，所有帧均通过CVAT工具手动标注了地平线真实值。数据来源为YouTube上六段Creative Commons授权视频，经分割后保持视角一致性，图像分辨率涵盖720p至1080p。该数据集旨在解决冰水混合环境中低对比度、冰结构杂乱和光照变化带来的地平线检测挑战，为评估传统与混合方法提供基准，推动北极航线安全导航研究。The IceHorizon dataset was developed by Mid Sweden University, specifically tailored for horizon detection research in ice-covered waters. The dataset comprises 38 video clips (30 from ship-based perspectives and 8 from drone-based perspectives), from which a total of 12,360 image frames are extracted. All frames are manually annotated with ground-truth horizon labels using the CVAT annotation tool. The data is sourced from six Creative Commons-licensed videos hosted on YouTube, which were segmented to maintain consistent viewing perspectives. The image resolutions range from 720p to 1080p. This dataset aims to address the core challenges of horizon detection in ice-water mixed environments, including low contrast, chaotic ice structures, and fluctuating lighting conditions, serving as a benchmark for evaluating both traditional and hybrid approaches, and promoting research on safe navigation in Arctic routes.

原始信息汇总

IceHorizon: 冰覆盖海上环境中的地平线检测数据集

数据集概述

IceHorizon 是一个专门用于冰覆盖海上环境中地平线检测的数据集，由 Mid Sweden University 的研究人员创建。该数据集配套一篇题为“IceHorizon: A Dataset for Horizon Detection in Ice-Covered Maritime Environments and Comparative Evaluation of Detection Methods”的论文提交。

数据集内容

视频数据

• 数据集包含 38 个视频，其中 30 个来自船舶，8 个来自无人机
• 实际提供 29 个视频（存放于 "Videos" 文件夹中），不同视频具有不同的帧数
• 其余 9 个视频未提供，原因是这些视频来源于不受 CC-BY 许可保护的渠道

标注数据

• "Annotations" 文件夹包含全部 38 个视频的逐帧地平线标注

原始视频获取

• 所有原始视频可通过原论文中提供的来源获取
• 也可通过 "OriginalVideos_Timestamps.xlsx" 文件获取相关信息

文件结构与大小

文件名称	大小
Annotations.zip	187.9 kB
OriginalVideos_Timestamps.xlsx	11.5 kB
Videos.zip	595.2 MB

技术元数据

• DOI: 10.5281/zenodo.20411868
• 资源类型: Dataset
• 发布机构: Zenodo
• 语言: 英语
• 创建日期: 2026年5月27日
• 修改日期: 2026年5月27日

许可证与引用

• 许可证: Creative Commons Attribution 4.0 International (CC-BY 4.0)
• 推荐引用格式: Pesotskaia, A. & Zerman, E. (2026). IceHorizon: A Dataset for Horizon Detection in Ice-Covered Maritime Environments [Dataset]. Zenodo. https://doi.org/10.5281/zenodo.20411868

关键词

• 地平线检测（horizon detection）
• 海上环境（maritime environment）
• 边缘检测（edge detection）
• 水体分割（water segmentation）
• 深度学习（deep learning）

数据集统计

• 总浏览量: 39 次
• 总下载量: 18 次
• 总数据量: 3.6 GB (所有版本总计)

搜集汇总

数据集介绍

构建方式

IceHorizon数据集的构建源于对冰封水域地平线检测研究的迫切需求。该数据集从六个遵循知识共享许可的YouTube视频中提取，涵盖船舶视角与无人机视角两类场景，并将原始视频细分为38个片段，以确保视角的相对一致性。共提取12,360帧图像，其中船舶图像10,005帧，无人机图像2,355帧，图像分辨率覆盖720p至1080p。每一帧的地平线均通过计算机视觉标注工具CVAT进行人工精确标注，形成像素级的地平线真值，从而为算法性能评估提供了可靠基准。

特点

IceHorizon数据集聚焦于冰覆盖海洋环境的独特视觉挑战，其核心特点在于场景的复杂性与多样性。数据集中船舶与无人机视角的混合采集，涵盖了雾霭、浮冰、山体遮挡及高纬度光照变化等极端条件，使得地平线常呈现为分段线性甚至弯曲的形态，显著区别于传统开阔水域数据集的简单直线地平线。此外，数据集提供了全面的评估指标，包括归一化平均高度偏差、平均角度偏差、预测地平线覆盖率及每帧处理时间，为多维度算法比较提供了坚实基础。

使用方法

IceHorizon数据集的使用方法明确且灵活，适用于地平线检测算法的训练与基准测试。研究者可加载图像及对应的地平线真值标注，采用归一化平均高度偏差与平均角度偏差作为精度指标，预测地平线覆盖率评估完整性，并以每帧处理时间衡量计算效率。数据集提供了公开可获取的代码库，支持经典计算机视觉方法（如边缘检测与霍夫变换）与混合方法（如结合深度学习的语义分割或边缘检测）的复现与对比。通过区分船舶与无人机场景，可深入分析采集视角对算法性能的影响，为冰区航行视觉系统的开发提供实证参考。

背景与挑战

背景概述

IceHorizon数据集由瑞典中部大学的Alisa Pesotskaia和Emin Zerman于2026年创建，聚焦于冰覆盖水域环境下的地平线检测问题。随着全球海事活动增加及北极新航道的开辟，冰域航行的安全需求日益凸显，而现有海事数据集（如新加坡海事数据集、MarDCT等）均以开放水域为主，缺乏对冰域复杂视觉场景的覆盖。该数据集包含30个船基和8个无人机基视频，共提取12,360帧图像，并利用CVAT工具进行手动地平线标注，旨在为冰域地平线检测算法提供标准化评估基准。通过对比六种检测方法（四种经典计算机视觉方法与两种混合深度学习方法），该数据集填补了冰域海事视觉研究的空白，并为后续研究提供了公开资源（代码与数据集均已在网络上发布）。

当前挑战

冰覆盖水域的地平线检测面临多重挑战：首先，冰层、浮冰与天空之间的低对比度导致传统边缘检测和线拟合方法难以区分真实地平线与干扰边缘；其次，冰面反射、雾气、山脉遮挡及高空视角下的弯曲地平线（尤其在无人机图像中）显著增加了视觉模糊性和场景复杂性；再者，现有算法多假设地平线为直线，难以适应实际中分段线性或弯曲的形态。在数据集构建过程中，需从不同视角（船基与无人机基）采集视频，并应对天气变化、光照波动及图像分辨率差异带来的标注困难，同时确保地面真值标注的准确性与一致性，这要求标注者具备对冰域环境的深入理解，以保证评估结果的可靠性。

常用场景

经典使用场景

IceHorizon数据集专为冰覆盖水域中的地平线检测而设计，其经典使用场景涵盖船舶和无人机视角下的图像序列。在极地航行与考察中，该数据集用于评估算法在低对比度、冰结构杂乱和光照多变的环境中的性能。研究者利用其标注的地平线真值，量化检测的准确性、覆盖率和实时性，从而推动视觉感知技术在恶劣海洋环境中的发展。

解决学术问题

该数据集有效填补了现有海事数据集在冰覆盖环境方面的空白，解决了传统地平线检测算法在视觉模糊场景下鲁棒性不足的难题。它为学术界提供了一个标准化的基准，支持对不同方法（包括经典计算机视觉和混合深度学习）进行系统性比较，从而揭示了混合方法在精度和可靠性上的优势，为后续研究奠定了方法论基础。

衍生相关工作

该数据集已衍生出多项经典工作，包括对六种地平线检测算法的基准测试，以及基于深度学习与经典方法结合的混合检测框架。这些工作不仅验证了混合方法在冰覆盖场景中的优越性，也推动了针对水面分割、边缘检测等任务的模型优化，为未来开发更高效的极地视觉算法提供了参考和基线。