UAV-VisLoc

UAV-VisLoc数据集是由北京邮电大学网络与交换技术国家重点实验室创建，旨在支持无人机视觉定位任务。该数据集包含来自中国11个不同地点的6742张无人机图像和11张卫星地图，涵盖了多种地形特征，如城市、乡村、河流和山丘。数据收集过程中，使用了固定翼和多地形无人机，捕捉了不同高度和方向的图像。此数据集特别适用于训练和测试模型，以解决无人机在全球导航卫星系统不可靠时的精确位置定位问题。The UAV-VisLoc Dataset was created by the State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, to support unmanned aerial vehicle (UAV) visual localization tasks. This dataset includes 6,742 UAV images and 11 satellite maps collected from 11 distinct locations across China, covering various terrain features such as urban areas, rural regions, rivers and hills. During the data collection process, fixed-wing and multi-terrain UAVs were used to capture images at different altitudes and viewing directions. This dataset is particularly suitable for training and testing models to solve the problem of precise position localization for UAVs when the Global Navigation Satellite System (GNSS) is unreliable.

搜集汇总

数据集介绍

构建方式

在无人机视觉定位研究领域，构建具有广泛地理覆盖和多样地形特征的数据集对于推动算法泛化能力至关重要。UAV-VisLoc数据集的构建过程体现了系统性采集策略：通过在中国11个不同地理位置（如江苏、太湖沿岸、长江流域、云南、甘肃等）部署多旋翼与固定翼无人机，采集了从400米至2000米不同飞行高度、多航向角的地面俯视图像，并同步从Google Earth获取对应区域的高分辨率正射卫星地图。每张无人机图像均标注中心点经纬度、拍摄高度、日期及航向角，卫星地图则涵盖单次飞行轨迹的全部地理范围，最终整合形成包含6742张无人机图像与11幅卫星地图的大规模数据集。

特点

该数据集在无人机视觉定位任务中展现出多维度独特性：其一，首次融合固定翼无人机图像，其高续航与高飞行高度特性拓展了模型在测绘、农业等实际场景的适应范围；其二，覆盖村庄、城镇、农田、城市、河流、丘陵等多类地形纹理，突破了现有数据集局限于单一城市场景的瓶颈；其三，提供多高度、多航向角的图像数据，包含低空城市景观与高空野外场景，并附带航向角信息，为视角变换与动态环境下的定位研究提供支撑；其四，数据规模显著，兼顾地理多样性与样本丰富性，为模型训练与评估提供了可靠基准。

使用方法

UAV-VisLoc数据集适用于无人机视觉定位模型的训练与性能验证。使用时，研究者可将无人机图像作为查询样本，将卫星地图作为参考数据库，通过跨视图匹配算法计算图像间的相似度，从而确定无人机在卫星地图上的精确经纬度坐标。数据集提供的元数据（如经纬度、高度、航向角）可用于辅助多任务学习或数据增强策略。在实验设计中，可依据不同地理位置或地形类别划分训练集与测试集，以评估模型在未知区域的泛化能力；同时，卫星地图的坐标范围信息支持大规模连续空间中的定位任务仿真，模拟GNSS失效场景下的自主导航应用。

背景与挑战

背景概述

无人机视觉定位作为计算机视觉与遥感技术交叉的前沿领域，旨在解决全球导航卫星系统信号失效时飞行器的自主定位难题。UAV-VisLoc数据集由北京邮电大学、中国科学院空天信息创新研究院及香港城市大学的研究团队于2024年联合构建，其核心研究问题聚焦于通过无人机俯拍图像与大规模卫星地图的匹配，实现高精度、无累积误差的经纬度坐标回归。该数据集涵盖中国11个地理区域的6742幅无人机图像及11幅卫星地图，融合了固定翼与多旋翼无人机在不同海拔、航向角及季节条件下采集的多地形数据，为复杂现实场景下的模型训练与评估提供了标准化基准，显著推动了跨视角地理定位技术向工程化应用的演进。

当前挑战

在无人机视觉定位领域，现有方法面临两大核心挑战：其一，任务定义与真实场景存在偏差，如早期数据集CVUSA、VIGOR仅解决地面-卫星匹配问题，而DenseUAV将定位简化为图像检索，未能直接映射至卫星地图上的连续坐标回归；其二，数据采集的局限性制约了模型泛化能力，包括无人机飞行高度多局限于低空（如低于300米）、场景单一（集中于校园或城市纹理丰富区域），以及缺乏多地形、多季节的地理多样性。在数据集构建过程中，研究团队需克服大规模地理覆盖带来的数据采集成本高昂、固定翼无人机高海拔图像与卫星地图的空间对齐精度保障、以及多源异构数据（如不同传感器、分辨率、光照条件）的标准化整合等工程挑战。

常用场景

经典使用场景

在无人机视觉定位领域，UAV-VisLoc数据集为研究者提供了一个大规模、多场景的基准平台。该数据集通过整合固定翼与多旋翼无人机在不同高度、航向角下采集的地面俯视图像，覆盖了中国11个地理区域的多样化地形，如城市、乡村、农田与河流等。经典使用场景涉及将无人机实时拍摄的俯视图像与高分辨率卫星地图进行匹配，以实现在全球导航卫星系统失效时的自主定位，为视觉定位算法的训练与评估提供了丰富且贴近实际的数据支持。

实际应用

在实际应用层面，UAV-VisLoc数据集为无人机在农业监测、环境勘测与地面巡查等领域的精准作业提供了技术支撑。例如，在农田测绘中，无人机可通过匹配实时俯视图与卫星地图，在失去卫星导航信号时仍能维持精确的航线坐标；在城市巡查任务中，该数据集训练出的模型能帮助无人机在高层建筑密集区实现稳定定位。这些应用显著提升了无人机在复杂地形与信号干扰环境下的作业可靠性与安全性。

衍生相关工作

基于UAV-VisLoc数据集，研究者已衍生出多项经典工作，例如结合大规模检索与细粒度匹配的两阶段视觉定位方法GLVL，该工作利用数据集中多地形图像优化了坐标定位精度。同时，数据集的多样性与规模也启发了对跨视角匹配算法的改进，如针对固定翼无人机高海拔图像的特征提取网络设计。这些衍生工作不仅丰富了无人机视觉定位的理论体系，也为后续多传感器融合与动态环境自适应定位研究奠定了数据与算法基础。