Multi-MAV-Multi-Domain (M3D) dataset

M3D数据集由西湖大学未来产业研究中心创建，包含模拟和真实图像，共计83,999张，涵盖多种场景、MAV类型和视角。数据集分为M3D-Sim和M3D-Real两个子集，分别包含28,740和55,259张图像。M3D-Sim通过虚幻引擎收集，包含22种MAV和16种环境；M3D-Real则包含10种MAV，图像采集自多个地点，包括山脉、建筑、村庄等。该数据集旨在解决跨域MAV检测问题，支持模拟到真实、跨场景和跨相机适应性检测任务。

M3D dataset was created by the Center for Future Industrial Research of Westlake University. It contains a total of 83,999 simulated and real-world images, covering diverse scenarios, MAV types and viewing angles. The dataset is divided into two subsets, M3D-Sim and M3D-Real, which include 28,740 and 55,259 images respectively. M3D-Sim is collected via Unreal Engine and contains 22 types of MAVs and 16 types of environments; M3D-Real includes 10 types of MAVs, with its images acquired from multiple locations such as mountains, buildings, villages and other scenarios. This dataset aims to address cross-domain MAV detection issues, supporting tasks including simulation-to-real transfer, cross-scenario and cross-camera adaptive detection.

搜集汇总

数据集介绍

构建方式

在微小型飞行器检测领域，数据集的构建需兼顾仿真与真实场景的多样性。M3D数据集通过集成仿真子集M3D-Sim与真实子集M3D-Real，实现了多域覆盖。仿真数据利用Unreal Engine与Airsim平台，自动采集了22种MAV类型和16种环境下的图像，涵盖地面到空中、空中到空中的多视角拍摄，并通过纹理随机化技术生成M3D-Sim-Texture子集以缩小仿真与现实差距。真实数据则通过移动相机在多种自然场景中捕获，包含10种MAV类型，覆盖山脉、建筑、河流等丰富背景，并依据场景差异划分为源域与目标域，以支持跨场景适应研究。

特点

M3D数据集在微小型飞行器检测领域展现出显著的综合性与挑战性。其核心特点在于多域融合，同时包含仿真与真实图像，总计83,999张图像与86,415个标注框，覆盖了丰富的MAV类型、多样化环境及多视角拍摄角度。相较于现有数据集，M3D在数据规模、MAV种类和场景多样性上均具有优势，特别是通过移动相机捕获的图像增强了视角的泛化能力。此外，数据集专为跨域检测设计，支持仿真到真实、跨场景和跨相机三大适应任务，为域适应算法提供了坚实的评估基准。

使用方法

该数据集主要用于跨域微小型飞行器检测的研究与评估。研究者可将M3D数据集划分为源域与目标域，以构建仿真到真实、跨场景或跨相机的适应任务。在使用时，通常采用域适应方法，如伪标签技术，结合噪声抑制网络等算法，利用标记的源域数据和未标记的目标域数据训练检测模型。数据集的子集结构允许灵活配置训练、验证与测试集，支持模型在目标域上的性能验证与比较，从而推动跨域检测算法的进步与实际应用。

背景与挑战

背景概述

随着微小型飞行器在群体协同与安防监控等领域的广泛应用，视觉检测技术面临跨域部署时性能显著下降的挑战。为应对这一难题，西湖大学与电子科技大学等机构的研究团队于近年提出了多微小型飞行器多域数据集。该数据集由仿真与真实图像构成，涵盖丰富场景、多样飞行器类型及多视角拍摄，旨在构建跨域微小型飞行器检测的基准测试平台，推动领域自适应检测算法的发展，为实际应用中的环境适应性提供关键数据支持。

当前挑战

该数据集致力于解决跨域微小型飞行器检测问题，其核心挑战在于目标尺寸微小、背景复杂多样以及跨域差异显著导致的检测模型泛化能力不足。构建过程中，研究团队需克服数据采集的艰巨性，包括协调多种真实微小型飞行器与移动相机平台，并在仿真环境中模拟多类场景与纹理随机化以弥合仿真与现实间的域差距。此外，数据标注的自动化与噪声抑制亦是构建高质量数据集的关键难点。

常用场景

经典使用场景

在无人机视觉检测领域，跨域适应问题长期困扰着实际部署，M3D数据集通过整合仿真与真实图像构建了系统性的评估基准。该数据集最经典的使用场景是作为跨域微小型飞行器检测研究的标准化测试平台，支持仿真到真实、跨场景和跨相机三大适应任务。研究者利用其丰富的多视角、多环境和多机型数据，能够全面评估检测模型在域偏移下的鲁棒性，为算法比较提供了统一且严谨的实验基础。

解决学术问题

M3D数据集主要解决了跨域目标检测中因训练与测试数据分布不一致导致的性能退化问题。针对微小型飞行器检测中背景多样、目标尺寸小、实时性要求高的独特挑战，该数据集为研究域适应方法提供了专用数据支撑。其意义在于首次系统性地构建了无人机检测的跨域基准，推动了领域自适应理论在特定垂直场景中的深化，显著提升了检测模型在新环境中的泛化能力和实用价值。

衍生相关工作

围绕M3D数据集，学术界衍生出一系列专注于跨域无人机检测的创新工作。例如，噪声抑制网络（NSN）融合先验课程学习与掩码复制粘贴增强模块，显著降低了伪标签噪声；同时，研究团队基于该数据集对SimROD、ConfMix等先进域适应方法进行了基准测试与性能比较。这些工作共同推动了轻量化实时检测架构的发展，并为结合对抗学习、特征对齐等传统域适应技术提供了新的实验范式和改进方向。