小目标检测（tiny object detection）数据集总结

最新推荐文章于 2025-05-12 09:13:20 发布
最新推荐文章于 2025-05-12 09:13:20 发布
阅读量859 收藏 8
点赞数 32
文章标签： 计算机视觉 目标检测 视觉检测 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_32252745/article/details/147880582
版权

小目标检测（tiny object detection）数据集：

isDrone

Paper: VisDrone: A Large-Scale Benchmark and Challenge for Vision Meets Drones

简介：VisDrone 由中国科技大学发布，是一个大规模的无人机视觉数据集，涵盖城市、郊区等多种场景，包含车辆、行人、自行车等小目标，适用于目标检测、跟踪等任务。

下载：https://github.com/VisDrone/VisDrone-Dataset

TinyPerson

Paper: TinyPerson: A Large-scale Tiny Person Detection Benchmark

简介：TinyPerson 是专为微小人物检测任务设计的数据集，采集自多种真实城市监控场景，人物尺寸小至几十像素，具有极强的小目标检测挑战性。

下载：https://github.com/ucas-vg/PointTinyBenchmark

UAVDT

Paper: The Unmanned Aerial Vehicle Benchmark: Object Detection and Tracking

简介：UAVDT 提供了从无人机上拍摄的视频帧，包含车辆等小型目标，涵盖不同天气、光照和视角，适用于检测与多目标跟踪任务。

下载：https://sites.google.com/view/grli-uavdt/%E9%A6%96%E9%A1%B5

AI-TOD

Paper: AI-TOD: A Benchmark for Tiny Object Detection in Aerial Images

简介：AI-TOD 聚焦于遥感图像中的微小目标（例如车辆、飞机、船只等），涵盖超过28个类别，目标尺度极小，适用于极端小目标检测研究。

下载：https://github.com/jwwangchn/AI-TOD

DOTA

Paper: DOTA: A Large-scale Dataset for Object Detection in Aerial Images

简介：DOTA 是遥感领域著名的数据集，包含15种目标类别，包括车辆、船只等小目标，目标尺度变化大，支持水平框与旋转框标注。

下载：https://captain-whu.github.io/DOTA/dataset.html

RSOD

Paper: A High Resolution Optical Remote Sensing Image Dataset for Ship and Vehicle Detection

简介：RSOD 是一个高分辨率遥感图像数据集，包含飞机、油罐车、操场、立交桥等目标，适合小目标检测任务。

下载：https://github.com/RSIA-LIESMARS-WHU/RSOD-Dataset-

SODA

Paper: SODA: A large-scale Small Object Detection Dataset

简介：SODA由两个子数据集构成，分别是 SODA-D 和 SODA-A。二者分别聚焦于交通场景和航空场景。SODA-D 包含 24,828 张高质量交通图像，以及 278,433 个属于九个类别的目标实例。SODA-A 则收集了 2,513 张高分辨率航空图像，并在其中标注了 872,069 个属于九个类别的目标实例。

下载：https://shaunyuan22.github.io/SODA/

TT100K

Paper: Traffic-Sign Detection and Classification in the Wild

简介：TT100K 是一个用于真实交通标志检测的数据集，包含 100,000 张图像和 30,000 个交通标志实例，涵盖 45 种常见的中国交通标志类别。TT100K 包含大量小目标实例并呈现明显的长尾分布特征。

下载：https://cg.cs.tsinghua.edu.cn/traffic-sign/

TT100K

Paper: Traffic-Sign Detection and Classification in the Wild

简介：WiderFace 是关于人脸检测的数据集，其中的人脸图像在大小、姿态、遮挡、表情、外观和光照等方面具有显著变化。该数据集包含 32,203 张图像，共计 393,703 个人脸实例。WiderFace 将人脸按大小划分为三个子集：小尺度（10–50 像素）、中尺度（50–300 像素）和大尺度（大于 300 像素）。

下载：http://shuoyang1213.me/WIDERFACE/

视觉工坊_
关注
【ICPR 2021】遥感图中的密集小目标检测：Tiny Object Detection in Aerial Images
梁瑛平的博客
06-22 3390
为了建立一个在航空图像中的微小物体检测的基准，作者还在AI-TOD数据集上评估了最先进的目标检测器。 实验结果表明，将这些方法直接应用于AI-TOD会产生次优目标检测结果，因此需要设计新的微型目标检测器。 因此，作者提出了一种基于多中心点的学习网络（M-CenterNet）来提高小目标检测的定位性能，实验结果表明，该性能提高显著。...
YOLC: You Only Look Clusters for Tiny Object Detection in Aerial Images
AI浩
04-16 2820
由于以下因素，从航拍图像中检测物体面临着重大挑战：1）航拍图像通常具有非常大的尺寸，通常有数百万甚至数亿像素，而计算资源有限。2）物体尺寸较小导致有效信息不足，无法进行有效检测。3）物体分布不均匀导致计算资源浪费。为了解决这些问题，我们提出YOLC（You Only Look Clusters），一种基于无锚点目标检测器CenterNet的高效且有效的框架。为了克服大规模图像和非均匀物体分布带来的挑战，我们引入了一个局部尺度模块（LSM），该模块自适应地搜索聚类区域以进行缩放以进行准确检测。
【遥感小目标数据集】【AI-TOD】Tiny Object Detection in Aerial Images
weixin_44184852的博客
03-26 1802
摘要—近年来，地球视觉中的目标检测取得了巨大进展。然而，航空图像中的微小目标检测仍然是一个非常具有挑战性的问题，因为微小目标包含的像素数量较少，并且容易与背景混淆。为了推动航空图像中微小目标检测的研究，我们提出了一个新的数据集，即航空图像中的微小目标检测数据集（AI-TOD）。具体而言，AI-TOD包含28,036张航空图像中的八类共700,621个目标实例。与现有的航空图像目标检测数据集相比，AI-TOD中目标的平均大小约为12.8像素，远小于其他数据集。
目标检测——day44 Tiny Object Detection in Aerial Images
想太多的学习日志
10-20 1697
我们建立了一个用于航空图像中微小目标检测的数据集，其中图像的平均目标大小比现有的目标检测数据集要小得多。此外，我们提出了一种基于多中心点的学习网络（M-CenterNet）来提高微小目标检测的定位性能。
PointTeacher：Tiny Object Detection with Single Point Supervision——基于单点监督的小目标检测
Together_CZ的博客
02-17 1861
PointTeacher：TinyObjectDetectionwithSinglePointSupervision——基于单点监督的小目标检测
YOLC: You Only Look Clusters for Tiny Object Detection in Aerial Images——应对大尺度分辨率图像下小目标检测的新方法YOLOC简读
Together_CZ的博客
08-27 1600
从空中图像中检测物体由于以下因素而面临重大挑战： 空中图像通常具有非常大的尺寸，一般有数百万甚至数亿像素，而计算资源是有限的。 小物体尺寸导致有效检测信息不足。 不均匀的物体分布导致计算资源的浪费。 为了解决这些问题，作者提出了YOLC（You Only Look Clusters），这是一个高效且有效的框架，建立在 Anchor-Free 点目标检测器CenterNet之上。为了克服大规模图像和不均匀物体分布带来的挑战，作者引入了一个局部尺度模块（LSM），该模块自适应搜索聚类区域进行放大以实现精确检测
Effective Fusion Factor in FPN for Tiny Object Detection
practical_sharp的博客
03-09 2035
Effective Fusion Factor in FPN for Tiny Object Detection 论文地址：https://arxiv.org/pdf/2011.02298.pdf 论文发表于 2021 WACV 摘要 这里是引用
Tiny Object Detection in Aerial Images论文简读
如果想成为中心，那么就到中心去吧。
12-08 2649
code: https://github.com/jwwangchn/AI-TOD 文章目录摘要论文的贡献 摘要 近年来，地球视觉中的目标探测取得了很大的进展。然而，航空图像中的微小物体检测仍然是一个非常具有挑战性的问题，因为微小物体包含的像素很小，很容易与背景混淆。为了推进航空图像中的微小物体检测研究，我们提出了一种新的航空图像中的微小物体检测数据集(AI-TOD)。具体来说，AI-TOD为280,36张航空图像的8个类别提供了700,621个物体实例。与现有的航空图像目标检测数据集相比，AI-TOD目.
Robust Tiny Object Detection in Aerial Images amidst Label Noise
qihshe的博客
06-10 1030
精确检测遥感图像中的小目标非常困难，因为这类目标视觉信息有限且在场景中频繁出现。此外，手动标注这些小目标不仅费时费力，还容易出错，即产生标签噪声。当使用带有噪声标签的训练集训练检测器时，网络往往倾向于过度拟合错误标签，导致性能不佳。为了解决这一问题，作者提出了DeNoising Tiny Object Detector（DN-TOD）。该方法包含两个关键组成部分：Class-aware Label Correction（CLC）和Trend-guided Learning Strategy（TLS）。
小目标检测TOD挑战赛冠军方案解读 | The 1st Tiny Object Detection Challenge
weixin_42096202的博客
09-19 2555
论文地址：https://arxiv.org/pdf/2009.07506.pdf Abstract： 第一届小目标检测（TOD）挑战赛旨在鼓励人们进行研究，以开发新颖，准确的方法来对具有广阔视野图像中的微小物体进行检测，目前重点集中在小人物检测方面。 TinyPerson数据集用于TOD挑战赛，并已公开发布。 它具有1610张图像和72651框级注释。 来自全球的约36个参赛团队参加了第一届TOD挑战赛。 在本文中，我们对第一届TOD挑战赛进行了简要概述，包括了对前三名方法的简要介绍。对于对TOD挑.
深度学习论文: YOLC: You Only Look Clusters for Tiny Object Detection in Aerial Images及其PyTorch实现
mingo_敏
04-24 1658
为了应对大规模图像和物体分布不均带来的挑战，提出的YOLC框架，建立在Anchor-Free点目标检测器CenterNet的基础之上。在YOLC中，局部尺度模块（LSM）发挥了关键作用，它能够自适应地搜索并放大聚类区域，从而显著提升检测精度。此外，还引入了高斯Wasserstein距离（GWD）来优化回归损失，确保生成的边界框质量更高。在检测Head部分，YOLC巧妙地结合了可变形卷积与细化方法，进一步增强了小物体的检测能力。这些创新举措共同使得YOLC在航拍图像的目标检测任务中表现出色。
YOLC: You Only Look Clustersfor Tiny Object Detection in Aerial Images
zyq199082的博客
04-19 1720
由于以下因素，从航空图像中检测目标带来了重大挑战:1)航空图像通常具有非常大的尺寸，通常具有数百万甚至数亿像素，而计算资源有限。2)目标尺寸小导致信息不足，无法进行有效检测。3)对象分布不均匀导致计算资源浪费。为了解决这些问题，我们提出了YOLC (You Only Look Clusters)，这是一个基于无锚点对象检测器CenterNet的高效框架。为了克服大规模图像和非均匀目标分布带来的挑战，我们引入了一个局部尺度模块(LSM)，该模块自适应搜索聚类区域并放大以实现精确检测。
计算机视觉——基于树莓派的YOLO11模型优化与实时目标检测、跟踪及计数的实践
知来者逆的博客
05-01 2798
YOLO11模型是专门为边缘设备优化的目标检测模型，与YOLOv8相比，它在显著降低模型复杂度（最多降低37%）的同时，仍保持了较高的检测精度（约85%的平均精度均值）。这种优化使得YOLO11能够在资源受限的树莓派上实现高效的实时目标检测，为边缘设备上的复杂计算机视觉任务提供了可能。其轻量级的模型结构和高效的推理性能，使其成为在树莓派上部署目标检测应用的首选模型之一。
YOLOv8目标检测性能优化：损失函数改进的深度剖析
shrgegrb的博客
05-09 1145
YOLOv8作为YOLO系列的最新版本，继承了前代的优点并进行了多方面改进，广泛应用于安防监控、自动驾驶等场景。损失函数在YOLOv8中起着关键作用，能够帮助模型更好地学习目标特征、位置和类别信息。SlideLoss是一种针对边界框回归问题的损失函数，通过滑动变换将不同尺度的边界框映射到统一尺度空间，提升定位精度。FocalLoss则通过引入动态权重因子，解决类别不平衡问题，增强模型对前景目标的分类能力。实验表明，将SlideLoss和FocalLoss结合使用，能够显著提升YOLOv8的检测精度，尤其是在
【计算机视觉】基于Python的相机标定项目Camera-Calibration深度解析
weixin_43988131的博客
05-11 815
基于Python的相机标定项目Camera-Calibration深度解析
# YOLOv2：目标检测的升级之作
www_pp_的博客
05-09 1095
YOLOv2 作为 YOLO 系列的一个重要版本，通过一系列的改进，在目标检测的精度和速度方面都取得了显著的进步。它不仅继承了 YOLOv1 的高效性，还解决了 YOLOv1 存在的一些问题，如定位精度不高、对小目标检测效果不佳等。YOLOv2 的出现为实时目标检测任务提供了一个更加可靠的解决方案，推动了目标检测技术的发展。然而，目标检测领域仍然面临着许多挑战，如如何进一步提高对复杂场景中目标的检测精度、如何更好地处理遮挡和光照变化等问题。
【计算机视觉】OpenCV项目实战：基于OpenCV的图像分割技术深度解析与实践指南
weixin_43988131的博客
05-10 815
OpenCV项目实战：基于OpenCV的图像分割技术深度解析与实践指南
【深度学习】计算机视觉（18）——从应用到设计
最新发布
RK_Dangerous的博客
05-12 747
图示红色问号表示待生成的词语，当生成第三个目标词时，原矩阵新增一行，该行表示问号词对源序列所有三个词的关注权重，而该行的初始值是基于已生成的词的嵌入向量和位置编码生成。由解码器的自注意力层输出生成，解码器在生成目标序列的每一步时，会将已生成的部分序列通过掩码自注意力层处理，生成当前步的上下文表示，这一表示作为。在学习的过程中，发现有很多计算注意力的方法，例如行/列注意力、交叉注意力等，如果对注意力机制本身不是特别实现，很难进行自己的网络设计。若使用多头注意力，只是列的长度发生改变，被均分成头的数量。
【计算机视觉】OpenCV实战项目：Long-Exposure：基于深度学习的长时间曝光合成技术
weixin_43988131的博客
05-07 1131
Long-Exposure：基于深度学习的长时间曝光合成技术
小目标检测公开数据集
03-19
### 小目标检测公开数据集 在小目标检测领域，存在多个公开可用的数据集，这些数据集涵盖了不同场景下的小目标标注。以下是几个常用的小目标检测数据集： #### 1. **DOTA (Dataset for Object Detection in Aerial...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值