深圳空中照明无人机厂家

1、无人机数据集

1. Stanford Drone Dataset（目标检测）

为了设计能够充分利用人类社会规则的算法以更好地解决任务，如目标跟踪或轨迹预测，我们需要更好的数据集。因此，我们贡献了首个大规模数据集（据我们所知），它收集了不同类型的导航于真实世界户外环境，如大学校园中的各种实体（不仅限于行人，还包括骑自行车者、滑板手、汽车、公共汽车和高尔夫球车）的图片和视频。图片中，行人用粉红色标记，骑自行车者用红色，滑板手用橙色，汽车用绿色。

2. UC Merced Land Use Dataset（分类）

这是一个用于研究的21类土地使用图像数据集。

每类有100张分辨率为256x256像素的图片。

3. Mini-drone video dataset（目标检测）

无人机监视特别适合于不可能建立完整监控系统的情况，例如，如音乐会或马拉松等临时大型活动。迷你无人机可用于监控区域、帮助管理停车场、控制人群并报告有用信息，如可疑行为、乱停车、空余停车位等。

数据集详尽信息

该创建的数据集包含38种全高清分辨率内容，每次持续16至24秒，使用迷你无人机Phantom 2 Vision+在停车场拍摄。数据集内容可归类为正常、可疑和非法行为三类。正常内容显示人们步行、开车和停车。可疑内容中，人们的行为看似可疑，但并无明显不当。非法行为内容显示人们乱停车、偷窃物品和汽车、或打架。所有参与者阅读并签署了同意书，同意在视频中出现他们的车辆。

4. Semantic Drone Dataset（语义分割）

语义无人机数据集专注于城市场景的语义理解，以提高自主无人机飞行和着陆过程的安全性。图像描绘了从5到30米高度的鸟瞰视角获取的20多栋房屋。使用高分辨率相机获取大小为6000x4000px（24Mpx）的图片。训练集包含400张公开可用的图片，测试集由200张私有图片组成。

任务细节

对于人员检测任务，数据集包含训练集和测试集中的边界框注释。

语义分割

我们为相同训练集和测试集准备了像素准确注释。数据集繁琐度限制为20类，如下面表格所示。

表格1：无人机数据集的语义类别

额外可用数据

? 高分辨率图片每秒1次

? 5Hz鱼眼立体图片与同步IMU测量

? 热成像每秒1次

? 地面控制点

? 3个房屋的3D真实值由总站获取

5. DLR-MVDA（目标检测）

从空中光学传感器获取的图像数据对各种应用如交通管理、停车监控和城市规划非常感兴趣。空中光学传感器能够快速广泛地记录交通数据和停车信息。与地面传感器相比，使用空中图像监控区域的交通更加高效和成本效益。为了支持该领域的研究，我们提供了一个带有注释的车辆数据集，称为DLR-MVDA。

6. Urban Drone Dataset(UDD)（语义分割）

现在UDD-6上线（植被、建筑、道路、车辆、屋顶和其他）！参见下载链接。

这是一个在北京大学、葫芦岛市、河南大学和沧州市收集的无人机图像数据集集合。

7. Okutama Action dataset（目标检测、跟踪、行为识别）

我们介绍Okutama-Action，一个新的从高空视角同时进行人类行为检测的视频数据集。它由43分钟的完全标注序列组成，包含12个行为类别。Okutama-Action缺失当前数据集中的许多挑战，包括行为动态转换、尺度和长宽比的显著变化、相机运动的突然变化以及多标记演员。因此，我们的数据集比现有数据集更具挑战性，将有助于推动领域发展以实现真实世界的应用。

亮点

8. Drone Tracking Benchmark(DTB70)（目标跟踪）

无人机跟踪基准（DTB70）是在无人机平台上统一的跟踪基准。在此基准中，我们提供了对最先进的跟踪器及其各种运动模型变体在DTB70数据集上的详尽研究。基准的详尽描述可以在我们的论文中找到。

9. VisDrone（目标跟踪、目标检测、人群统计）

无人机或通用UAV配备的相机已快速部署到各种应用中，包括农业、航拍、快速送货和监视。因此，自动理解从这些平台收集的视觉数据变得非常紧迫，这使计算机视觉越来越接近无人机。我们非常兴奋地推出一个包含各种重要计算机视觉任务的用心标注地面真实数据的大型基准VisDrone，以使视觉与无人机相会。

VisDrone2020数据集由中国天津大学机器学习与数据挖掘实验室的AISKYEYE团队收集。基准数据集包含400个由无人机搭载相机拍摄的视频片段，共265,228帧和10,209张静态图像，覆盖了广泛的方面，包括位置（来自中国相隔数千公里的14个城市）、环境（城市和乡村）、对象（行人、车辆、自行车等）和密度（稀疏和拥挤场景）。请注意，该数据集使用各种无人机平台（即不同型号的无人机）在不同场景和各种天气和照明条件下收集。这些帧由专家手动标注了超过260万个目标兴趣的边界框或点，如行人、汽车、自行车和三轮车。还提供了场景可见性、对象类别和遮挡等重要属性，以便更好地利用数据。

10. UAV123（目标跟踪）

从低空无人机拍摄的视频与流行跟踪数据集（OTB50、OTB100、VOT201

4、VOT201

5、TC12

8、ALOV300++）中的视频存在内在差异。因此，我们提出了新的数据集（UAV123），包含从空中视角拍摄的序列，其中一部分旨在进行长期空中跟踪（UAV20L）。我们的新UAV123数据集包含123个视频序列和超过110,000帧，使其成为仅次于ALOV300++的第二大目标跟踪数据集。所有序列都完全标注为直立的边界框。数据集可轻松与视觉跟踪基准集成。它包括UAV数据集的所有边界框和属性注释。请同时下载修改后的跟踪基准，其中包含用于序列和跟踪器配置的“configSeqs.m”和“configTrackers.m”文件的修改版本。请注意，“perfPlot.m”文件已根据论文中描述的属性进行了修改用于评估。

完整的UAV123 & UAV20L数据集（约13.7GB）可在这里下载：[GoogleDrive]，[FTP]：密码：uav123

11. DOTA：大型数据集，空中图像中的对象检测（目标检测（旋转矩形框））

DOTA是一个大型空中图像中的对象检测数据集。可用于开发和评估空中图像中的对象检测器。我们将在DOTA-v1.0中继续更新DOTA，以增长规模和范围，并反映不断变化的现实世界条件。此DOTA数据集包含来自不同传感器和平台的2806张不同大小的空中图像。每张图像的大小在800×800到4000×4000像素之间，包含各种尺度、方向和形状的对象。这些DOTA图像由空中图像解释专家使用15种常见对象类别进行标注。完全标注的DOTA图像包含188,282个实例，每个实例都使用任意（8 d.o.f.）四边形进行标注。

有关详尽信息，请参阅DOTA的arXiv预印本。