ATR2-HUTD

ATR2-HUTD数据集是一个大规模的无人机携带 hyperspectral 设备 underwater target detection (UTD) 数据集，由国防科技大学的研究团队创建。该数据集覆盖了三种不同的场景，包括湖泊、河流和海洋，具有不同的水型和浊度，以及不同类型的目标。数据集包含了丰富的场景信息和更大的图像尺寸，为模型训练和评估提供了坚实的基础。

The ATR2-HUTD dataset is a large-scale underwater target detection (UTD) dataset equipped with hyperspectral sensors carried by unmanned aerial vehicles (UAVs), developed by the research team from the National University of Defense Technology. This dataset encompasses three distinct scenarios, namely lakes, rivers, and oceans, featuring varied water types, turbidity levels, and multiple categories of targets. Boasting rich scene information and large image dimensions, the dataset provides a robust foundation for model training and evaluation.

搜集汇总

数据集介绍

构建方式

ATR2-HUTD数据集的构建采用了UAV搭载的高光谱遥感技术，通过在湖泊、河流和海洋等不同近岸区域进行数据采集。数据集收集了不同水深、水体类型和浊度条件下的高光谱图像，并包含了金属、木质和塑料等不同类型的水下目标。为了确保数据的质量和准确性，数据集的收集过程采用了高精度的GPS定位技术和高光谱传感器。此外，为了增强数据集的多样性和实用性，数据集中还包含了不同天气和光照条件下的图像数据。

使用方法

ATR2-HUTD数据集可用于水下目标检测、水下环境监测和遥感图像分类等研究。使用该数据集时，研究人员可以进行以下操作：1. 数据预处理：对数据进行清洗、归一化和增强等操作，提高数据的质量和可用性。2. 模型训练：利用数据集中的图像数据进行模型训练，提高模型的检测和分类性能。3. 模型评估：使用数据集中的图像数据进行模型评估，验证模型的有效性和鲁棒性。4. 模型优化：通过调整模型参数和结构，优化模型的性能。5. 数据分析：对数据集中的图像数据进行统计分析，揭示水下环境的特性和规律。

背景与挑战

背景概述

ATR2-HUTD数据集是针对近岸水下目标检测(Underwater Target Detection, UTD)领域的研究而创建的，旨在解决传统方法在近岸环境下由于光谱畸变而导致的检测精度下降的问题。该数据集由Qi Jiahao等研究人员于2025年提出，并提交至IEEE Transactions on Geoscience and Remote Sensing。该数据集的核心研究问题是如何在近岸环境下，尤其是在光谱畸变显著的情况下，实现高精度、鲁棒的水下目标检测。ATR2-HUTD数据集的创建对相关领域产生了重要影响，为研究者提供了丰富的数据资源，有助于推动近岸水下目标检测技术的发展。

当前挑战

ATR2-HUTD数据集所面临的挑战主要包括：1)近岸环境下光谱畸变导致的检测难度增加；2)数据集构建过程中，如何确保数据的多样性、规模和真实性，以及如何有效地标注数据。

常用场景

经典使用场景

ATR2-HUTD 数据集是专为近岸水下目标检测任务而设计的，它通过集成对比学习和自步调学习范式，提供了一种新颖的混合级对比学习框架，以解决近岸环境中光谱畸变的问题。该数据集涵盖了三种不同的场景，包括湖泊、河流和海洋，每种场景都有不同的水质和浊度，以及不同的目标类型，如金属、木制和塑料。这使得 ATR2-HUTD 数据集成为评估和改进水下目标检测算法的理想基准。

解决学术问题

ATR2-HUTD 数据集解决了近岸环境中水下目标检测的挑战，这些挑战包括光谱畸变、目标与背景光谱的不确定性以及传统方法的局限性。该数据集通过提供大规模、多样化的场景和目标类型，为研究人员提供了一个平台，以评估和改进水下目标检测算法的性能。ATR2-HUTD 数据集的意义在于，它促进了近岸环境中水下目标检测技术的进步，为生态系统保护和可持续资源管理提供了关键数据。

实际应用

ATR2-HUTD 数据集在实际应用中具有重要的价值。它可以用于监测近岸环境中的水下目标，如沉船、水下基础设施和海洋生物。通过使用 ATR2-HUTD 数据集训练的算法，可以更准确地检测和识别这些目标，为环境保护、资源管理和灾害响应提供支持。此外，该数据集还可以用于开发和改进水下目标检测设备，如无人机和潜艇，以提高其在复杂水下环境中的性能。

数据集最近研究

最新研究方向

ATR2-HUTD数据集的提出，标志着近岸水下目标检测领域的一次重要进展。该数据集覆盖了湖泊、河流和海洋三种不同的水下场景，提供了丰富多样的水下目标光谱数据。HUCLNet框架的提出，通过结合对比学习和自步学习策略，有效地解决了近岸环境下光谱畸变带来的挑战。该框架通过对比学习提取具有判别性的特征，并通过自步学习策略选择性地优先处理最有信息量的样本。此外，可靠性引导的聚类策略增强了学习表示的鲁棒性。ATR2-HUTD数据集和HUCLNet框架的提出，为近岸水下目标检测领域的研究提供了重要的数据基础和先进的技术手段，有助于推动该领域的发展和应用。

相关研究论文

• Nearshore Underwater Target Detection Meets UAV-borne Hyperspectral Remote Sensing: A Novel Hybrid-level Contrastive Learning Framework and Benchmark Dataset

  国防科技大学 · 2025年