imageomics/kabr-datapalooza-2023-subset

肯尼亚动物行为远程感知（KABR）无人机野生动物监测数据集是一个集成了同步的无人机遥测数据、相机元数据、行为注释和无人机状态数据的集合，用于野生动物监测操作。该数据集通过配备相机的无人机在自然栖息地观察动物行为时捕获数据。它包含了精确的无人机遥测数据（位置、方向、高度）、相机设置（ISO、快门速度、焦距）、野生动物注释（边界框、行为分类）和无人机系统状态信息。数据集旨在为分析动物行为与无人机定位和相机设置之间的相关性提供一个全面的框架，以支持野生动物监测、动物行为分析和基于无人机的观察方法等领域的研究。The Kenyan Animal Behavior Remote Sensing (KABR) Drone Wildlife Monitoring Dataset consists of synchronized drone telemetry, camera metadata, behavior annotations, and drone status data collected during wildlife monitoring operations. The data was captured using drones equipped with cameras to observe animal behavior in natural habitats. It integrates precise drone telemetry data (position, orientation, altitude), camera settings (ISO, shutter speed, focal length), wildlife annotations (bounding boxes, behavior classification), and drone system status information. The dataset provides a comprehensive framework for analyzing animal behavior in correlation with drone positioning and camera settings, enabling research in fields such as wildlife monitoring, animal behavior analysis, and drone-based observation methodologies.

搜集汇总

数据集介绍

构建方式

该数据集源自2023年1月在肯尼亚Mpala研究中心的无人机野生动物监测项目，聚焦于格雷维斑马、平原斑马与网纹长颈鹿三类目标物种。构建过程中，研究团队利用DJI Mavic Air 2与DJI Mini无人机，以20至50米飞行高度、每秒3米速度持续录制5.4K分辨率视频，同时采集GPS轨迹、相机参数等遥测信息。随后，通过CVAT标注平台对视频进行逐帧提取，为每只可见动物绘制边界框，并由生态学专家依据行为谱（如行走、奔跑、觅食等）标注其行为状态，最终将帧级检测、行为标签与飞行遥测数据同步整合为结构化CSV文件，形成57段视频的完整发生记录。

特点

该数据集的核心特色在于实现了无人机遥测、动物检测与行为标注的帧级精准同步，为行为生态学与计算机视觉的交叉研究提供了独特资源。其包含约10,000至66,000帧不等的57段视频，覆盖多物种、多场景的开放稀树草原栖息地，并遵循达尔文核心标准与Humboldt Eco扩展，确保与全球生物多样性数据库的互操作性。数据集中行为标签的细致分类（如警觉、社交互动）与飞行参数（高度、速度）的关联性，使其能够支撑动物行为时间预算分析、无人机扰动量化评估以及尺度不变目标检测等前沿课题，弥补了现有数据集缺乏行为细节与遥测信息的空白。

使用方法

使用该数据集时，研究者可根据任务需求灵活划分数据：推荐按时间（以1月11至13日为训练集、16日为验证集、17日为测试集）或空间（基于GPS坐标聚类）进行拆分，并确保各子集包含全部三个物种以维持类别均衡。针对目标检测与行为识别任务，需注意尺度随飞行高度变化带来的挑战，可考虑加权损失或重采样以应对行为类别的不平衡。生态分析中应谨慎外推至雨季或其他生境，并纳入检测概率的校正。此外，数据集提供的完整GPS坐标与遥测参数，可支持无人机协议优化研究，但需遵循伦理准则，避免用于非法追踪或骚扰野生动物。

背景与挑战

背景概述

在生态学与计算机视觉交叉领域，无人机遥感技术为野生动物行为监测提供了前所未有的空间与时间分辨率。由Jenna M. Kline与Elizabeth Campolongo等人于2023年创建的KABR Behavior Telemetry数据集，聚焦于肯尼亚Mpala研究中心的稀树草原生态系统，系统性地整合了无人机GPS轨迹、相机元数据、动物检测边界框及专家标注的行为信息，覆盖葛氏斑马、平原斑马与网纹长颈鹿三种关键物种。该数据集的核心研究问题在于量化无人机飞行参数对行为数据质量与动物干扰程度的影响，旨在建立证据驱动的野生动物监测协议。其发布推动了行为生态学、多目标跟踪与自主系统研究的交叉创新，为FAIR²数据原则在生物多样性领域的应用树立了标杆。

当前挑战

该数据集所应对的领域挑战主要包括：从高空视角下实现精准的动物行为识别与尺度不变检测，尤其是在20至50米高度变化中保持模型对目标尺寸的鲁棒性；同时需解决多物种背景下的行为分类不均衡问题，例如行走行为占比约40%而社交行为不足5%。构建过程中面临的技术挑战则体现在：11个视频因SRT文件缺失或损坏导致无发生记录，需通过自定义Python脚本实现多源异构数据（GPS、EXIF、CVAT标注）的帧级同步；此外，手动标注行为标签存在主观性，尽管通过双盲复标与每周校准将主要行为类别的Cohen's Kappa系数提升至0.88，但细粒度状态（如警觉与凝视）的界定仍存在模糊性，且干旱季节的单月采样限制了模型对季节动态的泛化能力。

常用场景

经典使用场景

该数据集为野生动物监测中的无人机航拍行为分析提供了高度同步的帧级数据，涵盖GPS轨迹、相机元数据、动物检测框及行为标注，特别适用于多目标跟踪、行为识别与尺度不变检测等计算机视觉任务。研究者可基于不同飞行高度和速度下的标注质量，构建鲁棒的动物检测与行为分类模型，推动生态学与人工智能的交叉融合。

实际应用

在实际应用中，该数据集可用于优化野生动物保护中的无人机监测方案，例如通过分析不同飞行参数下的检测率和动物响应，制定最小干扰的航拍协议。同时，它支持自动化行为识别系统的开发，帮助生态学家高效分析动物活动模式，并为保护区管理者提供数据驱动的决策支持，提升濒危物种如细纹斑马的监测效率。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于帧级行为标签的动物行为识别模型、考虑尺度变化的鲁棒目标检测算法，以及融合飞行遥测与生态数据的多任务学习框架。此外，它推动了FAIR²数据原则在生态学中的应用，促进了与GBIF等生物多样性数据库的互操作性，并启发了后续研究如无人机飞行参数对数据质量影响的系统分析。