有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
MAV-VID, Drone-vs-Bird, Anti-UAV|无人机检测数据集|反无人机数据集
收藏arXiv2021-08-18 更新2024-06-21 收录
下载链接：
https://github.com/KostadinovShalon/UAVDetectionTrackingBenchmark
下载链接
链接失效反馈资源简介：
本研究涉及三个数据集：MAV-VID、Drone-vs-Bird和Anti-UAV，总计包含241个视频，共计331,486张图像。这些数据集由杜伦大学创建，用于无人机视觉检测和跟踪的研究。数据集内容丰富，包括从地面和无人机搭载的摄像头捕获的图像，涵盖了多种环境和条件。创建过程中，数据集经过精心标注和处理，以确保数据质量。这些数据集主要用于评估和改进无人机检测和跟踪技术，特别是在复杂环境和动态场景中的应用。
提供机构：
杜伦大学
创建时间：
2021-03-25
AI搜集汇总
数据集介绍
构建方式
MAV-VID, Drone-vs-Bird, 和 Anti-UAV 数据集的构建方式是通过收集和标注大量无人机视频数据，涵盖了多种环境条件和视角。这些数据集包括从地面和无人机上拍摄的视频，以及光学和红外摄像机捕捉的图像。每个数据集都经过精心标注，确保了高质量的训练和验证数据。
特点
这些数据集的特点在于其多样性和复杂性，涵盖了从近距离到远距离的多种拍摄条件，以及不同的天气和光照条件。此外，数据集还包括了无人机与其他小型物体的混淆场景，如Drone-vs-Bird数据集中的鸟类，这增加了检测和跟踪的难度。
使用方法
这些数据集主要用于评估和训练基于深度神经网络的无人机检测和跟踪算法。研究者可以使用这些数据集来测试和优化他们的模型，以提高在复杂环境中的检测精度和跟踪稳定性。通过在不同数据集上的实验，可以全面评估算法在各种实际应用场景中的表现。
背景与挑战
背景概述
近年来，无人驾驶飞行器（UAV）的普及和使用频率显著增加，这不仅为专业应用带来了便利，也引发了航空安全的风险。无论是出于恶意还是疏忽，UAV都可能干扰航空安全、侵入限制空域或获取敏感数据，从而带来严重的安全和经济后果。因此，自动检测和跟踪UAV成为了空中安全系统的核心任务。传统的UAV检测技术包括可见光和热红外成像、无线电频率和雷达等。随着深度神经网络（DNNs）在图像对象检测领域的进展，利用视觉信息进行UAV检测和跟踪成为可能。MAV-VID、Drone-vs-Bird和Anti-UAV数据集由Durham大学和Northumbria大学的研究团队创建，旨在评估DNNs在可见光图像中检测和跟踪UAV的性能，这些数据集包含241个视频（331,486张图像），涵盖了多种环境条件。
当前挑战
构建和应用这些数据集面临多个挑战。首先，UAV通常体积小且移动速度快，需要在远距离进行检测，这要求检测模型具有高精度和鲁棒性。其次，背景场景复杂多变，可能包含大量干扰物，增加了检测难度。此外，UAV的复杂运动模式和相机的高速移动也增加了跟踪的复杂性。数据集的多样性和复杂性要求检测和跟踪模型在不同环境下具有高度的适应性和鲁棒性。最后，跨模态评估（如可见光和红外图像）增加了训练和推理的复杂性，需要模型能够有效处理不同模态的数据。
常用场景
经典使用场景
在无人驾驶航空器（UAV）视觉检测与跟踪领域，MAV-VID、Drone-vs-Bird和Anti-UAV数据集被广泛用于评估深度神经网络（DNNs）在可见光图像中的检测与跟踪性能。这些数据集包含了在不同环境条件下拍摄的241个视频，共计331,486张图像，为研究者提供了一个全面的基准，以测试和比较各种检测与跟踪架构的性能。
实际应用
在实际应用中，这些数据集支持开发高效的UAV检测与跟踪系统，这些系统可用于机场、军事基地等关键区域的安保。通过训练和测试，研究者可以优化算法，使其在低光照、恶劣天气等复杂条件下仍能保持高精度。此外，这些数据集还促进了多模态融合技术的研究，使得系统能够在单一传感器失效时仍能正常工作，从而提高整体系统的可靠性和鲁棒性。
衍生相关工作
基于这些数据集，研究者们开发了多种先进的检测与跟踪算法，如Faster R-CNN、YOLOv3、SSD和DETR等。这些算法不仅在学术界引起了广泛关注，还在实际应用中得到了验证。此外，数据集还催生了关于跨模态学习和多模态融合的研究，推动了UAV检测与跟踪技术的发展。未来，这些数据集将继续作为基准，支持更多创新算法的开发与评估。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。
国家青藏高原科学数据中心 收录
GVJahnavi/Crops_set
该数据集包含图像和标签两个主要特征。图像特征的数据类型为图像，标签特征的数据类型为类标签，具体包括20种不同的植物病害和健康状态，如玉米的灰斑病、普通锈病、北方叶枯病，以及番茄的细菌性斑点病、早疫病、晚疫病等。数据集分为训练集和测试集，训练集包含25384个样本，测试集包含6346个样本。数据集的下载大小为514893426字节，总大小为474216412.07000005字节。
hugging_face 收录
LIDC-IDRI
LIDC-IDRI 数据集包含来自四位经验丰富的胸部放射科医师的病变注释。 LIDC-IDRI 包含来自 1010 名肺部患者的 1018 份低剂量肺部 CT。
OpenDataLab 收录
WideIRSTD Dataset
WideIRSTD数据集包含七个公开数据集：SIRST-V2、IRSTD-1K、IRDST、NUDT-SIRST、NUDT-SIRST-Sea、NUDT-MIRSDT、Anti-UAV，以及由国防科技大学团队开发的数据集，包括模拟陆基和太空基数据，以及真实手动标注的太空基数据。数据集包含具有各种目标形状（如点目标、斑点目标、扩展目标）、波长（如近红外、短波红外和热红外）、图像分辨率（如256、512、1024、3200等）的图像，以及不同的成像系统（如陆基、空基和太空基成像系统）。
github 收录
ConPR
ConPR数据集由首尔国立大学的机械工程系创建，专注于一个活跃的建筑工地，用于多会话地点识别。该数据集包含12个序列，每个序列捕捉不同日期的建筑进度，涵盖多种环境如车道、楼梯和狭窄的森林道路。数据集包括RGB图像、LiDAR点云数据和IMU数据，支持视觉和LiDAR基础的地点识别技术，并提供基于范围的地点识别评估的地面真实信息。该数据集旨在推动在动态和挑战性环境中的地点识别算法的发展。
arXiv 收录