SULAND-Dataset

用于表面地雷检测的数据集，视频采集自意大利和美国，旨在通过光学成像进行实时地表地雷检测。

A dataset for surface mine detection, with video data collected from Italy and the United States, designed for real-time surface mine detection through optical imaging.

原始信息汇总

SULAND 数据集概述

数据集名称

• 名称: SULAND: SUrface LANDmine (detection)

数据集目的

• 目的: 用于论文 Deep Learning-Based Real-Time Detection of Surface Landmines Using Optical Imaging，旨在通过光学成像技术实时检测表面地雷，如 butterfly 和 star-fish 类型的地雷。

数据集收集

• 设备: iPhone13-Lidar
• 软件: record-3d

数据集标注

• 标注工具: CVAT
• 标注方式: 服务器端和本地标注

数据集格式

• YOLO格式: 提供意大利（ITA）和美国（USA）的数据集，分别位于 /SURLAND-Dataset/data-iid 和 /SURLAND-Dataset/data-ood 目录下。

数据集分割

• 意大利数据:

  • 训练集: 包含视频编号 [1, 4, 6, 8, 9, 11, 12, 13, 14, 16, 17, 18, 20, 21, 22, 23, 24, 25, 28, 29, 30, 31, 32, 34, 35, 37, 39, 40, 41, 42, 43, 45, 46, 47]
  • 验证集: 包含视频编号 [3, 7, 15, 26, 33]
  • 测试集: 包含视频编号 [2, 10, 19, 27, 36, 44]

• 美国数据:

  • 测试集: 包含所有视频，视频编号 [1,2,3,4,5,6,7,8,9,10]

数据集统计

• 详细统计: 每个分割的视频标题、持续时间、标注百分比、标注帧数、总帧数、环境、天气、方向和坡度等详细信息，具体数据参见README文件中的表格。

搜集汇总

数据集介绍

构建方式

SULAND数据集通过iPhone13的LiDAR传感器和Record3D应用程序进行数据采集，确保了高精度的光学成像数据。数据采集过程中，环境设置和采集流程经过精心设计，以确保数据的多样性和代表性。随后，使用CVAT软件对采集的数据进行标注，标注工作既在服务器端进行，也支持本地部署，确保了标注的准确性和灵活性。数据集最终以YOLO格式提供，便于直接应用于目标检测任务。

特点

SULAND数据集包含意大利和美国两个地区的表面地雷检测数据，涵盖了多种环境、天气和地形条件。数据集的标注信息详细，包括视频时长、标注比例、帧数、环境类型、天气状况、拍摄角度和坡度等。意大利数据分为训练集、验证集和测试集，而美国数据则全部用于测试集，提供了丰富的跨区域测试场景。数据集的高质量标注和多样化的场景使其成为表面地雷检测研究的理想选择。

使用方法

使用SULAND数据集时，首先需要创建一个Python虚拟环境并激活。数据集以YOLO格式提供，用户可以通过下载或符号链接的方式将数据加载到本地。意大利数据分为训练、验证和测试集，而美国数据则全部用于测试集。用户可以根据提供的YAML和JSON文件配置数据路径，并使用数据集进行模型训练和评估。数据集的结构清晰，便于用户快速上手并进行深度学习模型的开发与测试。

背景与挑战

背景概述

SULAND数据集由意大利佛罗伦萨大学（University of Florence）的研究团队创建，旨在通过光学成像技术实现地表地雷的实时检测。该数据集于2022年发布，主要基于iPhone 13的LiDAR传感器和Record3D软件采集数据，涵盖了意大利和美国两个地区的环境场景。数据集的核心研究问题是通过深度学习模型识别地表地雷，特别是蝴蝶型和星型地雷。SULAND数据集为地雷检测领域提供了高质量的多模态数据，推动了光学成像与深度学习在地雷检测中的应用。

当前挑战

SULAND数据集面临的挑战主要包括两个方面。首先，地雷检测任务本身具有极高的复杂性，地表地雷的形状、尺寸和材质多样，且常被自然环境（如草地、砂石等）遮挡，导致检测难度显著增加。其次，数据集的构建过程中，研究人员需克服环境多样性带来的挑战，如不同光照条件、地形坡度以及天气变化对数据采集的影响。此外，数据标注的准确性也至关重要，研究人员使用CVAT工具进行标注，确保数据的高质量，但这一过程耗时且需要大量人工干预。

常用场景

经典使用场景

SULAND数据集主要用于表面地雷的实时检测研究，特别是在光学成像和激光雷达（Lidar）技术的结合下，能够有效识别如蝴蝶型和星型地雷等复杂目标。该数据集通过高精度的标注和多样化的环境设置，为深度学习模型提供了丰富的训练和测试数据，广泛应用于目标检测和图像分析领域。

实际应用

在实际应用中，SULAND数据集被广泛用于军事和民用领域的地雷探测任务。通过结合光学成像和激光雷达技术，该数据集支持开发出高效的地雷探测系统，能够在复杂地形和恶劣天气条件下进行实时检测，极大地提高了地雷清除工作的安全性和效率。

衍生相关工作

基于SULAND数据集，研究者们开发了多种深度学习模型，如基于YOLO的目标检测算法和实时地雷检测系统。这些工作不仅推动了地雷检测技术的发展，还为其他复杂环境下的目标检测任务提供了重要的参考和借鉴。