MIST

github2026-03-08 更新2026-03-09 收录

红外检测

合成数据

数据链接：

https://github.com/GR-ray/MIST 数据链接链接失效反馈

官方服务：

资源简介：

MIST是一个基于合成数据引擎构建的大规模机载红外检测场景数据集，覆盖了目标具有低信杂比(SCR)和复杂运动的场景，具有多样化的目标/背景特征和精确标注。该数据集通过建模移动目标的姿态、大小和强度变化，并将它们无缝融合到真实背景中，以实现物理、几何和视觉上的真实感。

MIST is a large-scale airborne infrared detection scenario dataset constructed using a synthetic data engine. It covers scenarios where targets have low signal-to-clutter ratio (SCR) and complex motions, and features diverse target/background characteristics as well as precise annotations. This dataset achieves physical, geometric, and visual realism by modeling the pose, size, and intensity variations of moving targets and seamlessly fusing them into real-world backgrounds.

创建时间：

2026-03-08

原始信息汇总

MIST 数据集概述

数据集基本信息

数据集名称：MIST (Multi-frame Infrared Small Target Detection in Complex Motion)
发布状态：已发布（发布于2026-03-08）
核心内容：一个用于多帧红外小目标检测（MISTD）的挑战性数据集及一个名为MISTNet的基线模型。

数据集详情

数据性质：大规模、面向机载红外探测场景的合成数据集。
构建方式：基于一个合成数据引擎构建。该引擎对运动目标的姿态、尺寸和强度变化进行建模，并将其无缝融合到真实背景中，以实现物理、几何和视觉上的真实感。
主要挑战：数据集中的目标具有低信杂比（SCR）和复杂运动特性。
数据规模与划分：
- 训练集：78个序列。
- 测试集：42个序列。
- 测试集中包含一个更具挑战性的子集MIST-Hard（11个序列），其目标具有极低SCR（≤1）、高度不规则的轨迹和超高速（>7像素/帧）的特点。
数据目录结构：
- bbox/：边界框标注。
- image/：图像数据。
- mask/：掩码标注。
- point/：点标注。
- train.txt， val_all.txt， val_hard.txt：数据划分文件。
下载地址：https://drive.google.com/file/d/1jJabpOzmuLgxa52V1dtBuXv5-RpKNiSn/view?usp=sharing

基线模型 (MISTNet)

设计原理：基于信息瓶颈（IB）理论。
核心创新：
1. 移位邻域补偿块（SNCB）：用于高效建模多尺度对应关系，以进行隐式运动补偿，处理不规则和快速运动。
2. 渐进蒸馏解码器（PDD）：用于分层过滤冗余信息，同时保留目标相关信息，以抵抗目标无关的干扰。
预训练模型下载地址：https://drive.google.com/file/d/15Cu1G8Zga-tWszSByex5bb3x2VRfH2yW/view?usp=sharing

实验与基准测试

对比数据集：本工作同时在常用的NUDT-MIRSDT数据集上进行实验。
性能对比：在MIST和NUDT-MIRSDT数据集上，与30种先进方法进行了全面对比。

使用准备

主要依赖：
- Python 3.8+
- PyTorch 1.10.1+
- NATTEN 0.14.6
训练命令： bash python train.py --config ./configs/train_MISTNet_MIST.yaml python train.py --config ./configs/train_MISTNet_NUDTMIRSDT.yaml
测试命令： bash python test.py --config ./configs/test_MISTNet_MIST.yaml python test.py --config ./configs/test_MISTNet_NUDTMIRSDT.yaml

引用信息

论文标题：MIST: A Benchmark and Baseline for Multi-frame Infrared Small Target Detection in Complex Motion
期刊：IEEE Transactions on Image Processing
年份：2026
BibTeX： bibtex @article{gao2026mist, title={MIST: A Benchmark and Baseline for Multi-frame Infrared Small Target Detection in Complex Motion}, author={Gao, Rui and Zhang, Meihong and Li, Gongyang and Li, Guanyi and Zhao, Kai and Zhang, Xianchao and Zeng, Dan}, journal={IEEE Transactions on Image Processing}, year={2026} }

搜集汇总

数据集介绍

构建方式

在红外弱小目标检测领域，数据集的构建往往面临真实场景样本稀缺的挑战。MIST数据集采用合成数据引擎技术，通过精确建模运动目标的姿态、尺寸和强度变化，将生成的目标无缝融合到真实背景图像中。这种构建方式确保了数据在物理特性、几何结构和视觉表现上的高度真实性，同时能够系统性地控制目标信号与背景杂波的比例，为算法研究提供了可控且多样化的实验环境。

使用方法

为便于研究者使用，数据集提供了标准化的文件结构与标注格式。数据按序列组织，包含原始图像、目标掩码、边界框及中心点坐标等多种标注形式。用户可通过官方提供的下载链接获取数据，并按照指定目录结构进行放置。配套代码库支持直接加载数据进行模型训练与测试，同时提供了在MIST及另一公开数据集NUDT-MIRSDT上的完整训练、评估脚本与预训练模型，确保了研究工作的可复现性与对比公平性。

背景与挑战

背景概述

在红外遥感与计算机视觉领域，复杂运动场景下的小目标检测一直是极具挑战性的前沿课题。MIST数据集由研究团队于2026年3月正式发布，旨在为多帧红外小目标检测（MISTD）提供一个系统性的基准平台。该数据集基于合成数据引擎构建，通过模拟目标在姿态、尺寸和强度上的动态变化，并将其无缝融入真实背景中，确保了物理、几何与视觉层面的高度真实性。其核心研究问题聚焦于低信杂比（SCR）与复杂运动条件下的目标识别，为运动分析与检测算法的开发提供了关键的数据支撑，显著推动了红外目标检测领域向更复杂、更真实场景的演进。

当前挑战

MIST数据集所针对的领域挑战在于，红外小目标在低信杂比环境下信号微弱，且复杂运动轨迹（如高速、不规则移动）导致传统检测方法难以有效建模时空关联性。构建过程中的主要挑战包括：合成数据引擎需精确平衡目标与背景的物理一致性，避免引入人工伪影；同时，标注工作必须确保在低可见度条件下目标的定位精度，以及处理大规模序列数据时保持标注的一致性与可靠性。这些挑战共同促使数据集在仿真逼真度与标注质量上设立更高标准。

常用场景

经典使用场景

在红外弱小目标检测领域，MIST数据集作为一项前沿基准，其经典使用场景聚焦于复杂运动模式下的多帧目标追踪与识别。该数据集通过合成数据引擎构建，模拟了目标在低信杂比环境中的姿态、尺寸和强度变化，并融入真实背景以增强物理与视觉真实性。研究者通常利用MIST评估算法在目标轨迹不规则、速度超快等极端条件下的性能，尤其适用于开发基于运动分析的深度学习模型，如通过时间序列建模来提升检测鲁棒性。

解决学术问题

MIST数据集有效应对了红外弱小目标检测中的核心学术挑战，即低信杂比与复杂运动导致的检测失效问题。传统方法在目标信号微弱、背景干扰强烈的场景中往往表现不佳，而MIST通过提供大规模标注数据，促进了算法在运动补偿、特征蒸馏等方面的创新。该数据集的意义在于推动了信息瓶颈理论在实际检测任务中的应用，为设计轻量且高效的模型提供了验证平台，从而加速了红外感知技术的基础研究进展。

实际应用

在实际应用层面，MIST数据集主要服务于空中红外监测系统，例如无人机侦察、导弹预警和太空碎片跟踪等任务。这些场景中目标通常距离遥远、尺寸微小，且受大气湍流或平台抖动影响呈现复杂运动轨迹。利用MIST训练的模型能够提升系统在恶劣环境下的检测精度与实时性，为国防安全、航天工程及环境监测等领域提供可靠的技术支撑，降低虚警率并增强态势感知能力。

数据集最近研究