UAVTC

UAVTC数据集是由奥卢大学研究者收集的一个大规模、长期、高分辨率树变化监测数据集。该数据集采用无人机搭载相机，历时一年，捕获了大量高分辨率树木图像，并基于生物学知识进行了丰富的注释和统计，支持对树木变化的细粒度监测。数据集包含了68棵树的85个时间点的图像，形成了245,616对图像，其中72%的图像对显示了树木变化，28%的图像对显示无变化。该数据集旨在为可持续森林管理和生态学研究提供新的基准，并推动相关人工智能技术的发展。

The UAVTC dataset is a large-scale, long-term, high-resolution tree change monitoring dataset collected by researchers from the University of Oulu. This dataset uses unmanned aerial vehicle (UAV)-mounted cameras to capture a large corpus of high-resolution tree images over the course of one year, and has been furnished with rich annotations and statistical analyses based on biological knowledge to support fine-grained monitoring of tree changes. The dataset contains images from 85 time points for 68 trees, resulting in 245,616 image pairs, of which 72% depict tree changes while the remaining 28% show no changes. This dataset aims to provide a novel benchmark for sustainable forest management and ecological research, and promote the development of relevant artificial intelligence technologies.

搜集汇总

数据集介绍

构建方式

UAVTC数据集的构建采用无人机搭载高分辨率相机对树木进行长时间、高精度的监测。数据集包含了一年内通过无人机捕获的大量高分辨率树木图像。树木变化涵盖了内在和外在模式，这些模式之间存在层次关系。传统的欧几里得空间中的线性算子在表示这些复杂关系时效率低下。相反，双曲空间自然适合嵌入具有低失真的层次结构。

特点

UAVTC数据集的特点在于其大规模、长期、高分辨率的特点，以及丰富的基于生物知识的注释和统计数据。数据集提供了对树木监测的精细视图。此外，UAVTC数据集还采用了双曲Siamese网络（HSN）来检测树木变化，从而有效地对动态树木变化进行紧凑和层次化的表示。HSN可以有效地捕捉复杂的层次变化，并为细粒度的树木变化检测提供了一种稳健的解决方案。

使用方法

使用UAVTC数据集时，首先需要了解数据集的注释和统计数据，这些数据可以帮助研究者更好地理解树木的变化。其次，研究者可以使用HSN进行树木变化的检测。HSN可以有效地捕捉复杂的层次变化，并为细粒度的树木变化检测提供了一种稳健的解决方案。最后，研究者还可以将HSN应用于跨域人脸反欺骗任务，进一步验证其有效性和泛化能力。

背景与挑战

背景概述

在环境保护中，树木监测对于维护和改善生态系统健康起着至关重要的作用。然而，由于低分辨率图像和高获取成本，现有的数据集无法捕捉到树木的连续细粒度变化，这给精确监测带来了挑战。为了应对这一挑战，Yante Li 等研究人员在 2025 年 3 月 1 日发表了一篇论文，介绍了 UAVTC 数据集，这是一个大规模、长期、高分辨率的数据集，使用配备摄像头的无人机收集，旨在检测单个树木变化 (TCs)。该数据集包括基于生物知识的丰富注释和统计数据，为树木监测提供了细粒度的视角。为了解决环境影响因素并有效地对生理 TCs 的层次多样性进行建模，研究人员提出了一种新的双曲 Siamese 网络 (HSN) 用于 TC 检测，该网络能够对动态树木变化进行紧凑和层次化的表示。广泛的研究表明，HSN 能够有效地捕捉复杂的层次变化，并为细粒度 TC 检测提供了一种鲁棒的解决方案。此外，HSN 还可以很好地推广到跨域人脸反欺骗任务，突显了其在人工智能领域的更广泛意义。这项工作结合了生态洞察和跨学科专业知识，通过提供一个新的基准和创新的人工智能技术，将对社区产生积极影响。

当前挑战

UAVTC 数据集面临的挑战主要包括：1) 环境因素的影响：环境因素，如雾和直射阳光，可能会遮挡视线并产生阴影，导致非树木相关的变化，这些外源性变化可能会误导并导致 TCD 不准确。2) 生理 TCs 的层次结构：生理 TCs 本身具有层次结构，涉及生长和衰败过程。这些变化可以归类为四大类：颜色变化、叶子转化、开花和结果周期以及人类造成的损害。这些多样化的树木属性导致由环境和生理因素引起的 TCs 之间的复杂层次关系，这些关系无法通过欧几里得几何有效地捕捉。3) 欧几里得几何的局限性：传统的线性算子在欧几里得空间中对表示这些复杂关系是无效的。相反，双曲空间自然适合嵌入层次结构，且失真小。4) 数据集的泛化能力：尽管 UAVTC 数据集包含丰富的注释和统计数据，但其样本数量相对有限，可能会影响模型的泛化能力。

常用场景

经典使用场景

UAVTC数据集主要用于长期、精确的树木监测，支持环境保护。它包含大量高分辨率树木图像，通过配备摄像头的无人机捕获，涵盖了一年的变化。树木变化包括内在（如颜色变化、叶子形态、开花和结果周期等）和外在（如环境因素影响）模式，这些模式具有层次关系。传统的欧几里得空间中的线性算子在表示这些复杂关系时效果不佳，而双曲空间则自然适合嵌入层次结构，具有低失真性。

解决学术问题

UAVTC数据集解决了传统树木监测数据集无法捕捉长期、细粒度的树木变化的问题。由于图像分辨率低和获取成本高，现有数据集无法有效捕捉树木的持续细粒度变化。UAVTC数据集提供了丰富的基于生物知识的注释和统计数据，为树木监测提供了细粒度的视角。此外，它还解决了环境因素和生理变化之间的复杂层次关系难以捕捉的问题，为精确的树木变化检测提供了新的解决方案。

衍生相关工作

UAVTC数据集衍生了多个相关研究工作。例如，基于UAVTC数据集，研究人员提出了双曲Siamese网络(HSN)模型，用于精确的树木变化检测。HSN模型有效地捕捉了环境因素和生理变化之间的复杂层次关系，并取得了显著的性能提升。此外，HSN模型还可以应用于跨域人脸反欺骗任务，展示了其在人工智能领域的广泛应用价值。