Active Terahertz Imaging Dataset for Concealed Object Detection

本数据集名为‘Active Terahertz Imaging Dataset for Concealed Object Detection’，由南京航空航天大学计算机科学与技术学院创建，包含3157张图像，用于评估主动太赫兹成像中的多目标检测算法。数据集涵盖了从0到3个隐藏物体的多样化样本，图像分辨率为5mm x 5mm。创建过程中，考虑了实际应用中的多种情况，如人体模型、衣物厚度和材料、物体的大小和位置等。该数据集旨在解决公共安全检查中的隐蔽物体检测问题，特别是在反恐和公共安全领域。This dataset is named "Active Terahertz Imaging Dataset for Concealed Object Detection", and was developed by the College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics. It contains 3157 images, which are designed to evaluate multi-object detection algorithms in active terahertz imaging scenarios. The dataset covers diverse samples with 0 to 3 concealed objects, and each image has a resolution of 5mm × 5mm. During its development, various real-world application scenarios were taken into consideration, including human mannequins, clothing thickness and materials, as well as the size and placement of objects. This dataset aims to address the problem of concealed object detection in public security inspections, particularly in the fields of counter-terrorism and public safety.

搜集汇总

数据集介绍

构建方式

该数据集的构建采用了中国工程物理研究院研发的主动太赫兹成像系统，以140GHz的频率工作，成像分辨率为5mm×5mm。数据集由3157张图像样本组成，其中包含1347个隐藏物体。图像中隐藏物体的数量从0到3不等，有4位男性和6位女性模型参与数据采集，物体被隐藏在人体的不同位置。数据集的标注采用了Pascal VOC格式，共包含11个类别的物体，并提供了物体的边界框和类别标签。为了确保数据集的多样性和实用性，数据采集过程中考虑了模型体型、衣物厚度和材质、物体大小、数量、材质和放置位置等多种因素。

特点

Active Terahertz Imaging Dataset for Concealed Object Detection数据集具有以下几个特点：1. 首个公开的太赫兹成像数据集，用于评估多目标检测算法；2. 图像质量较差，目标检测难度高于标准公共目标检测数据集；3. 数据集样本数量丰富，包含3157张图像和1347个隐藏物体；4. 数据集标注详细，包括物体的边界框和类别标签；5. 数据集涵盖了多种场景和物体放置位置，更符合实际应用需求。

使用方法

使用Active Terahertz Imaging Dataset for Concealed Object Detection数据集进行目标检测算法评估的方法如下：1. 下载并解压数据集；2. 使用标注工具进行标注，生成Pascal VOC格式的标注文件；3. 选择合适的检测算法，如YOLOv3、YOLOv4、FRCN-OHEM和RetinaNet等；4. 在训练集上对检测算法进行微调，并使用测试集进行评估；5. 使用mAP和AP等指标评估检测算法的性能；6. 分析不同场景和物体放置位置对检测算法的影响。

背景与挑战

背景概述

太赫兹成像技术在公共安全和反恐领域具有重要作用，尤其是在探测隐藏在衣物下的物体方面。本文提供的数据集名为“Active Terahertz Imaging Dataset for Concealed Object Detection”，由南京航空航天大学计算机科学与技术学院的Dong Liang、Fei Xue和Ling Li等人于2021年5月8日发布。该数据集旨在评估主动太赫兹成像中多目标检测算法的性能。数据集包含3157个图像样本，其中1347个样本包含隐藏的物体。与标准公共目标检测数据集相比，该数据集的成像质量较差，因此在目标检测上更具挑战性。此外，该数据集还展示了隐藏在不同人体部位的物体对检测精度的影响。

当前挑战

该数据集面临的主要挑战包括：1)成像质量较差，导致目标检测难度增加；2)样本不平衡问题，即不同类别的样本数量分布不均；3)难以训练的样本，即物体外观模糊不清，难以准确识别。此外，数据集中物体的位置和方向对检测精度也有一定影响。针对这些挑战，研究人员使用了YOLOv3、YOLOv4、FRCN-OHEM和RetinaNet四种检测器进行了评估，并发现RetinaNet在多目标检测方面表现最佳。

常用场景

经典使用场景

该数据集主要应用于主动太赫兹成像技术下的多目标检测算法评估。由于太赫兹成像技术的独特性，该数据集在图像质量、样本不平衡等方面提供了独特的挑战。例如，该数据集可用于评估YOLOv3、YOLOv4、FRCN-OHEM和RetinaNet等流行检测器在主动太赫兹成像分辨率5mm x 5mm下的性能。通过实验，研究者发现RetinaNet在该数据集上取得了最高的mAP，这表明该数据集在评估目标检测算法方面具有较高的价值和实用性。

解决学术问题

该数据集解决了主动太赫兹成像技术在目标检测领域缺乏公开数据集的问题。在此之前，目标检测算法在太赫兹成像领域的评估主要依赖于私有数据集，这限制了该领域的研究和发展。该数据集的发布为计算机视觉和光电成像领域的学者提供了一个共享平台，有助于揭示现有目标检测方法的不足，并进一步开发更适用于严苛成像条件下的检测策略。此外，该数据集还揭示了隐藏在人体不同部位的对象对检测精度的影响，为多视角检测技术的研究提供了新的思路。

衍生相关工作

该数据集的发布促进了太赫兹成像技术在目标检测领域的进一步研究和发展。例如，研究者可以利用该数据集评估和改进其他目标检测算法，如SSD、Faster R-CNN等，以进一步提高检测精度和速度。此外，该数据集还可以用于研究多视角检测技术、小目标检测技术等，以解决主动太赫兹成像技术在实际应用中遇到的挑战。