IGNITE

一个由无人机在操作控制火灾期间收集的多模态火灾数据集，用于野火检测。A multimodal wildfire dataset collected by unmanned aerial vehicles (UAVs) during fire control operations, intended for wildfire detection.

原始信息汇总

数据集概述

IGNITE 是一个用于野火检测的多模态无人机采集数据集。该数据集包含 FLIR 热红外帧与 RGB 视频帧的配准样本。

核心信息

• 数据集规模：共包含 1,854 个已批准的配准样本，来自 4 个序列（0001–0004）。
• 原始数据：共 2,136 张原始热红外 TIFF 图像。
• 数据量：完整数据负载约 26.1 GB。
• 数据托管：完整二进制数据存储于 Hugging Face（Kyoma001/IGNITE-fire-dataset），本仓库提供代码与发布元数据。

传感器与采集参数

参数	规格
热像仪	FLIR Vue Pro R 640 13mm 辐射 TIFF，640×512，16 位，1 FPS
RGB 视频	H.264，3840×2160，30 FPS
温度换算	temperature_C = DN * 0.04 - 273.15
掩膜阈值	80 °C，对应 DN >= 8829

序列对齐策略

数据集 ID	对齐策略	原始 TIFF 数	配准样本数
0001	双锚点	482	439
0002	双锚点	468	451
0003	单锚点（起飞锚点）	651	460
0004	单锚点（降落锚点）	535	504
总计		2,136	1,854

说明：0003 缺少降落的 RGB 视频，0004 缺少起飞的热红外图像，因此这两个序列采用单锚点策略。

每个配准样本包含的文件

text thermal.tiff 原始辐射 uint16 TIFF thermal.png TIFF 的显示渲染 video.png 经过裁剪/缩放变换后的 RGB 帧 overlay.png 热红外/RGB 视觉叠加图 mask_80c.png 温度 >= 80 °C 的 0/1 索引掩膜

数据处理流程

1. 原始 TIFF + MP4 输入
2. 时间戳扫描与初始时间模型
3. 降落坪圆形检测 + 人工确认
4. 种子 RGB 圆形跟踪
5. 90 帧锚点窗口裁剪评分
6. Rank 1 变换选择（单或双锚点）
7. 全范围配准样本导出 + 80 °C 掩膜生成

快速开始

• 加载数据：使用 Hugging Face datasets 库直接加载。
• 本地查看：克隆仓库后运行 hf download 下载完整数据，然后通过浏览器打开 data/<dataset_id>/processed/index.html 进行可视化检查。
• 处理流程复现：使用 uv 同步依赖，通过 code/validate_dataset.py 验证数据，通过 code/run_pipeline.py 按阶段（calibrate、match、export）复现处理流程。

补充信息

• 数据集由 Ding 研究实验室发布，相关论文引用信息见仓库。
• 数据收集得到了自然保护协会和美国大学等合作方的支持（详见 Acknowledgment 部分）。

搜集汇总

数据集介绍

构建方式

IGNITE数据集是由美国国家科学基金会与NASA资助的野火探测研究项目所构建的多模态无人机航拍数据集，其核心构建过程融合了精确的传感器标定与图像配准技术。数据采集采用搭载FLIR Vue Pro R 640热像仪（640×512像素16位辐射TIFF，每秒一帧）与H.264 RGB摄像机（3840×2160分辨率，30帧每秒）的无人机平台。通过时间戳扫描构建初始时间模型，利用着陆坪圆形检测与人工确认，随后进行种子RGB圆形跟踪与90帧锚定窗口裁剪评分，最终选取单一或双重锚定的秩1变换实现热红外与可见光帧的精确对齐，并自动生成温度阈值80°C对应的二值掩膜。

使用方法

用户可通过Hugging Face数据集仓库直接加载IGNITE数据，使用`load_dataset`接口便捷获取样本，并利用`numpy`将16位TIFF转换为摄氏温度矩阵。完整数据包（约26.1GB）可经Git克隆及`hf download`命令下载至本地，并附带验证与复现脚本。数据处理流水线支持分阶段执行，如校准、匹配、导出等，通过配置文件调整参数即可重复生成已发布的对齐样本。此外，提供的Jupyter笔记本可快速可视化单个对齐样本，便于直观理解数据特性。具体代码示例与流程说明均收录于GitHub仓库，欢迎科研工作者引用并基础上进行扩展。

背景与挑战

背景概述

IGNITE数据集由美国大学Ding研究实验室于2026年发布，由Yiding Wang、Zhaoxi Zhang等研究人员联合创建，并得到NSF和NASA的资助。该数据集聚焦于 wildfire detection，即野火检测，通过无人机搭载的FLIR Vue Pro R 640热像仪和RGB摄像机，同步采集辐射热红外图像与高分辨率彩色视频，并经过精细的时空对齐处理，最终形成包含1,854个对齐样本的多模态数据集。其核心研究问题在于如何利用无人机平台实现野火的早期、准确探测，为火灾监测与应急响应提供科学支撑。该数据集填补了野火检测领域多模态空中数据的空白，为开发基于热红外与可见光融合的检测算法提供了标准化基准，对遥感、计算机视觉和灾害管理等领域具有重要影响力。

当前挑战

IGNITE数据集面对的挑战涵盖领域问题与构建过程两方面。在领域层面，野火检测主要挑战包括：复杂地形与多变环境下的火点识别，热红外与可见光图像因成像机理差异导致的数据融合难题，以及实时处理需求与机载计算资源有限的矛盾。在构建过程中，挑战尤为突出：其一，无人机飞行中平台振动、姿态变化及时间同步误差导致热像仪与RGB视频难以精确配准，需设计多锚点对齐策略；其二，部分序列因采集条件限制（如0003缺失着陆RGB视频、0004缺失起飞热像图）只能采用单锚点策略，增加了对齐不确定性；其三，辐射热像的标定需确保温度反演精度（DN*0.04-273.15），而野外光照和温度变化影响标定稳定性；其四，原始数据规模庞大（约26.1GB），需开发高效的数据处理与验证流程以保证样本质量。这些挑战推动了无人机多模态数据采集与处理技术的进步。

常用场景

经典使用场景

IGNITE数据集作为首个面向野火检测的多模态无人机采集数据集，其经典使用场景在于融合热红外与可见光图像进行火灾像素级识别。研究者可基于其提供的1,854对对齐样本，开发并验证热红外-可见光跨模态目标检测与分割算法，尤其针对高温区域的实时定位与阈值分割（如80°C掩膜）。该数据集的高保真辐射定标（DN转温度）与多锚点对齐策略，为构建鲁棒的野外火灾监测模型提供了标准化的训练与评估基准，推动了多模态感知技术在复杂环境下的应用。

解决学术问题

该数据集解决了野外火灾监测中多模态数据难以同步采集与像素级对齐的学术难题。通过提供精确的时间戳同步和空间变换的RGB与热红外图像对，以及80°C掩膜标注，它支持了火点检测、温度异常分析及跨模态特征融合等研究。其意义在于填补了公开数据集缺乏辐射定标和高精度对齐的空白，为火灾科学中的计算机视觉方法提供了可复现的基准，促进了火灾早期预警模型的性能评估与对比，对灾害监测领域的算法研究具有里程碑式的推动作用。

实际应用

在实际应用中，IGNITE数据集可支撑无人机森林消防巡检、实时火情预警系统及灾后评估等场景。基于其训练的多模态检测算法，能够从无人机视角快速识别高温火源并生成叠加热力图，辅助消防部门进行精准调度与决策。此外，该数据集的校准流程和数据处理管线可直接迁移至商业无人机平台，用于农业烧除管理、生态火灾监测及电力线路巡检等业务，显著提升野外作业的自动化水平与应急响应效率，具有广泛的工程落地价值。

数据集最近研究

最新研究方向

随着全球气候变化加剧，野火灾害频发，遥感与无人机技术在火灾监测领域的应用日益受到关注。IGNITE数据集应运而生，其创新性地融合了热红外辐射测量与高分辨率RGB影像，通过多模态对齐技术实现了火点温度的精准量化与空间定位。该数据集聚焦于野火早期探测与实时监测，其80°C温度阈值掩膜设计为火势蔓延分析提供了基准，推动了基于深度学习的火点识别与温度反演算法的发展。此外，其辐射定标元数据与多锚点对齐策略为无人机遥感数据的标准化处理树立了新范式，对提升火灾应急响应效率、完善生态灾害预警体系具有重要科学与实践意义。