WideIRSTD Dataset

WideIRSTD数据集包含七个公开数据集和一个由国防科技大学团队开发的数据集，包括模拟陆地和太空数据以及真实手动标注的太空数据。数据集包含各种目标形状（如点目标、斑点目标、扩展目标）、波长（如近红外、短波红外和热）、图像分辨率（如256、512、1024、3200等），以及不同的成像系统（如陆地、空中和太空成像系统）。

The WideIRSTD dataset comprises seven public datasets and one dataset developed by the team at the National University of Defense Technology. It encompasses simulated land and space data, alongside real manually annotated space data. The dataset covers a wide range of contents: various target shapes (e.g., point targets, speckle targets, extended targets), wavelength bands including near-infrared, short-wave infrared and thermal infrared, image resolutions (e.g., 256, 512, 1024, 3200, etc.), and diverse imaging systems such as land-based, airborne and space-borne ones.

原始信息汇总

WideIRSTD 数据集概述

1. 数据集描述

WideIRSTD 数据集包含七个公开数据集：SIRST-V2, IRSTD-1K, IRDST, NUDT-SIRST, NUDT-SIRST-Sea, NUDT-MIRSDT, Anti-UAV，以及由国防科技大学团队开发的数据集，包括模拟的陆基和太空基数据，以及真实的手动标注太空基数据。数据集包含多种目标形状（如点目标、斑点目标、扩展目标）、波长（如近红外、短波红外和热红外）、图像分辨率（如256、512、1024、3200等），以及不同的成像系统（如陆基、空基和太空基成像系统）。

2. 数据集用途

在 LimitIRSTD 挑战中，WideIRSTD 数据集用于评估资源有限条件下的红外小目标检测（IRSTD）性能。

• Track 1: 使用6000张带有粗略点标注的图像进行训练，500张图像用于测试。
• Track 2: 使用9000张带有地面真实（GT）掩码标注的图像进行训练，2000张图像用于测试。

3. 数据下载

• Track 1 数据下载: [BaiduYun]
• Track 2 数据下载: [BaiduYun]

4. 挑战结果

Track 1 结果

排名	团队名称	得分	IoU (1e-2)	Pd (1e-2)	Fa (1e-6)
1	Chainey	60.7869	45.3729	76.2010	24.8629
2	XJTU-IR	60.3803	42.564	78.1966	26.5012
3	MCV-TEAM	60.0276	38.9762	81.0790	24.6809
...	...	...	...	...	...

Track 2 结果

排名	团队名称	得分	mIoU (1e-2)	Pd (1e-2)	Fa (1e-6)	参数(M)	GFLOPs
1	Chainey	77.6729	33.8738	78.4534	60.9312	0.0288	0.0426
2	Stars Twinkle and Shine	77.0699	38.2523	75.3753	32.755	0.0469	0.4065
3	MCV-TEAM	76.2318	30.5698	77.2710	46.4470	0.0199	0.2530
...	...	...	...	...	...	...	...

5. 基线方法

Track 1

• 方法: Mapping Degeneration Meets Label Evolution: Learning Infrared Small Target Detection with Single Point Supervision
• 代码: [Github]
• 检查点: [BaiduYun] [Onedrive]
• 结果:

方法	得分	IoU (1e-2)	Pd (1e-2)	Fa (1e-6)
DNANet_full (full supervision)	54.681	40.773	68.588	4.915e-6
DNANet_LESPS_coarse (weak supervision)	46.451	29.266	63.636	2.294e-5

Track 2

• 方法: Weighted Res-UNet for High-Quality Retina Vessel Segmentation
• 代码: [Github]
• 检查点: [BaiduYun] [Onedrive]
• 结果:

方法	得分	mIoU (1e-2)	Pd (1e-2)	Fa (1e-6)	参数(M)	GFLOPs
UNet	51.954	34.573	55.556	18.838e-6	5.179	0.914

搜集汇总

数据集介绍

构建方式

WideIRSTD数据集由七个公开数据集和一个由国防科技大学团队开发的专用数据集组成，涵盖了从陆地到太空的多种成像系统。这些数据集包括模拟和真实的手动标注数据，涵盖了多种目标形状、波长和图像分辨率。数据集的构建旨在评估在资源受限条件下红外小目标检测的性能，特别是针对弱监督和轻量级像素级监督的挑战。

特点

WideIRSTD数据集的显著特点在于其多样性和广泛性。它包含了多种目标形状，如点目标、斑点目标和扩展目标，以及不同的波长范围，包括近红外、短波红外和热成像。此外，数据集的图像分辨率从256到3200不等，适用于各种成像系统，如陆基、空基和太空基成像系统。这些特性使得该数据集非常适合用于评估和开发在资源受限条件下的红外小目标检测算法。

使用方法

WideIRSTD数据集分为两个主要部分：WideIRSTD-Weak和WideIRSTD-Full。WideIRSTD-Weak包含6000张带有粗略点标注的图像，用于训练，500张用于测试，适用于弱监督条件下的红外小目标检测。WideIRSTD-Full则包含9000张带有地面真值掩码标注的图像，用于训练，2000张用于测试，适用于轻量级像素级监督的检测任务。用户可以通过提供的链接下载数据集，并使用提供的基线方法进行模型训练和评估。

背景与挑战

背景概述

WideIRSTD数据集是为2024年国际模式识别会议（ICPR）资源受限红外小目标检测挑战而创建的。该数据集由国防科技大学（NUDT）团队主导开发，整合了七个公开数据集及自研数据集，涵盖了多种目标形状、波长、图像分辨率和成像系统。WideIRSTD数据集的核心研究问题在于评估在资源受限条件下红外小目标检测（IRSTD）的性能，这对于军事侦察、遥感监测等领域具有重要意义。

当前挑战

WideIRSTD数据集面临的挑战主要集中在两个方面。首先，数据集的构建过程中需处理多种复杂因素，如不同波长、分辨率和成像系统的图像融合，以及目标形状的多样性。其次，在资源受限条件下进行红外小目标检测，特别是在弱监督和轻量级监督场景下，如何确保检测精度和效率是一个重大挑战。此外，数据集的多样性和复杂性也增加了模型训练和评估的难度。

常用场景

经典使用场景

WideIRSTD数据集在红外小目标检测领域中，被广泛应用于资源受限条件下的目标检测任务。其经典使用场景包括在弱监督条件下进行红外小目标检测，如Track 1中的单点监督检测，以及在轻量级条件下进行像素级监督检测，如Track 2中的全监督检测。这些场景要求算法在有限的计算资源下，仍能高效准确地识别和定位红外小目标。

衍生相关工作

WideIRSTD数据集的发布催生了多项相关经典工作，特别是在红外小目标检测算法的研究中。例如，基于该数据集的Track 1和Track 2挑战赛，推动了弱监督和轻量级检测算法的创新，如DNANet_LESPS_coarse和Weighted Res-UNet等方法。这些工作不仅在学术界引起了广泛关注，也为实际应用中的红外目标检测技术提供了新的思路和解决方案。

数据集最近研究

最新研究方向

在红外小目标检测（IRSTD）领域，WideIRSTD数据集的最新研究方向主要集中在资源受限条件下的高效检测方法。该数据集整合了多种红外图像数据，涵盖不同波长、分辨率和成像系统，为研究者提供了丰富的实验环境。前沿研究聚焦于弱监督学习和轻量级模型设计，以应对资源受限场景下的检测挑战。例如，Track 1中的弱监督学习方法通过单点监督实现目标检测，而Track 2则侧重于轻量级模型的像素级监督，旨在减少计算资源和模型复杂度。这些研究不仅推动了红外小目标检测技术的发展，也为实际应用中的资源优化提供了新的思路和方法。