WIT-UAS

WIT-UAS数据集是由卡内基梅隆大学创建的，专注于从空中视角检测野火环境中的团队和车辆资产。该数据集包含6951张长波红外（LWIR）图像，这些图像是从无人机飞行中收集的，并手动标记以识别人和车辆。数据集的创建过程涉及在宾夕法尼亚州西部三个季节的控制性燃烧中收集数据。WIT-UAS数据集的应用领域是提高野火安全监控的自主性，解决在复杂野火环境中资产检测的挑战。

The WIT-UAS Dataset was created by Carnegie Mellon University, focusing on detecting teams and vehicle assets in wildfire environments from an aerial perspective. This dataset contains 6,951 long-wave infrared (LWIR) images collected during drone flights, which have been manually annotated to identify humans and vehicles. The creation of the dataset involved collecting data during controlled burns across three seasons in western Pennsylvania. The WIT-UAS Dataset is designed to enhance the autonomy of wildfire safety monitoring and address the challenges of asset detection in complex wildfire environments.

搜集汇总

数据集介绍

构建方式

在野火监测领域，获取包含火场环境的目标检测数据极具挑战性。WIT-UAS数据集的构建依托于与宾夕法尼亚州狩猎委员会的许可合作，在三个不同季节于西宾夕法尼亚州的指定燃烧区进行。研究团队使用搭载长波红外热像仪和RGB相机的无人机平台，在火场上空进行人工视距内飞行，并通过机载机器人操作系统同步记录传感器数据、无人机状态及位姿信息。随后，从记录的ROS数据包中以每秒一帧的速率提取热红外图像，并由现场专家或经其指导的人员，借助自定义的半自动标注工具，对图像中的人员和车辆资产进行边界框手工标注，最终形成了包含近七千张标注图像的数据子集。

特点

该数据集的核心特点在于其独特的场景与模态。作为首个专注于野火环境下资产检测的公开数据集，它捕捉了真实受控计划烧除场景中，人员与车辆在火焰、浓烟及茂密植被干扰下的长波红外热成像。数据呈现出显著的域差异：强烈的火源热信号常被误检为目标，而密集的树木遮挡和更大的热辐射变化进一步增加了检测难度。与常见的城市热红外数据集相比，WIT-UAS填补了极端环境下感知研究的空白，其包含的传感器俯仰角、飞行高度等多模态元数据，也为开发面向自主规划的传感器模型提供了支持。

使用方法

该数据集旨在推动野火场景下鲁棒感知模型的发展。研究者可主要使用其提供的WIT-UAS-Image子集，即已标注的热红外图像，用于训练和评估目标检测模型。数据已按约70:15:15的比例划分为训练、验证和测试集，确保了子集间环境与目标分布的平衡。为应对域差异挑战，建议将本数据集与现有城市热红外数据集结合进行训练，以提升模型在火场环境下的泛化能力并显著降低误报率。此外，伴随发布的完整ROS数据包可用于研究时序信息融合或开发考虑传感器视角的自主监控路径规划算法。

背景与挑战

背景概述

随着气候极端化加剧，野火规模与复杂性日益增长，前线消防人员亟需获取火场态势感知以保障安全。无人机系统凭借其成本效益与便携性，成为提供空中监测的理想平台。为提升自主监控能力，卡内基梅隆大学机器人研究所的研究团队于2023年12月发布了WIT-UAS数据集，这是首个专注于野火环境中人员与车辆资产检测的长波红外热成像数据集。该数据集通过在美国宾夕法尼亚州西部三个季度的受控计划烧除中采集数据，填补了该领域公开数据的空白，为开发鲁棒的自主感知系统提供了关键资源。

当前挑战

在野火环境中进行资产检测面临多重挑战。首先，领域问题的核心挑战在于热成像中火焰的强烈热信号易被误检为人员或车辆，导致高误报率；密集植被遮挡与复杂地形进一步降低了目标可见性。其次，数据集构建过程遭遇显著障碍：野火区域属于严格管控地带，数据获取权限受限；计划烧除仅在特定季节与气象条件下进行，且地点远离城市中心，增加了数据采集的难度与成本。此外，热成像数据的标注工作因图像噪声与目标模糊性而变得复杂，需依赖领域专家进行精细处理。

常用场景

经典使用场景

在野火监测领域，WIT-UAS数据集为长波红外感知技术提供了关键支持，其经典应用场景聚焦于从无人机视角检测火场中的人员与车辆资产。该数据集通过采集受控计划烧除环境下的热成像序列，为模型训练提供了真实且复杂的背景，其中火焰、烟雾及植被遮挡等因素共同构成了独特的感知挑战。研究人员利用这些标注数据，能够开发出专门针对火场环境的资产检测算法，从而提升无人机在野火安全监控中的自主感知能力。

衍生相关工作

WIT-UAS的发布催生了一系列专注于恶劣环境感知的衍生研究。例如，研究者开始探索结合时序信息的视频目标跟踪方法，以利用资产在连续热成像帧中的运动特征提升检测稳定性。同时，该数据集也促进了多模态融合模型的发展，如结合RGB图像在轻烟条件下的色彩信息与热成像的烟雾穿透能力。这些工作进一步推动了无人机在野火、搜救等复杂场景下的自主系统研究。

数据集最近研究

最新研究方向

随着全球气候变化加剧，野火监测与应急响应成为环境感知与机器人自主领域的前沿议题。WIT-UAS数据集作为首个专注于野火环境中人员与车辆资产检测的长波红外热成像数据集，填补了现有数据集在火场复杂场景下的空白。该数据集推动了基于热成像的资产检测模型在烟雾穿透、热信号干扰抑制及密集植被遮挡等挑战下的研究，促进了多模态感知与视频时序跟踪技术的融合。其发布不仅为野火安全监控的自主系统开发提供了关键数据支撑，也激发了学术界对极端环境下鲁棒性感知算法的深入探索，具有重要的实际应用价值与科研意义。

相关研究论文

• WIT-UAS: A Wildland-fire Infrared Thermal Dataset to Detect Crew Assets From Aerial Views

  卡内基梅隆大学 · 2023年