DUT Anti-UAV数据集是大连理工大学的团队公开的数据集（DUT是他们学校的简称），其中包括了两个子数据集：目标检测和目标跟踪（也就是说，目标检测和目标跟踪都可以用这个数据集）。该数据集为可见光模式的数据集，博主之前介绍的数据集中，Anti-UAV410【目标跟踪】AntiUAV410数据集详细介绍_antiuav数据集双模态-CSDN博客和Anti-UAV600【目标跟踪】AntiUAV600数据集详细介绍-CSDN博客都是红外模式的数据集，Anti-UAV【目标跟踪】Anti-UAV数据集详细介绍-CSDN博客是双模数据集。
论文链接：[2205.10851] Vision-based Anti-UAV Detection and Tracking
https://arxiv.org/abs/2205.10851
数据集链接：wangdongdut/DUT-Anti-UAVhttps://github.com/wangdongdut/DUT-Anti-UAV?tab=readme-ov-file
目录
1、Introduction概论
2、Dataset splitting（数据分割）
3、Dataset characteristics（数据特征）
（1）Image resolution
（2）Object and background
（3）Object scale
（4）Object aspect ratio
（5）Object position
4、Dataset challenges（数据挑战）
1、Introduction概论
论文作者提出，为了帮助UAV的检测和跟踪的发展，提出了DUT Anti-UAV数据集，该数据集包含检测和跟踪的子集。检测数据集被分为三个子集，包括训练集（training）、测试集（testing）、验证集（verification）。跟踪数据集包含20个目标为UAV的序列。
与其他已有的数据集对比，论文作者团队提出的DUT Anti-UAV数据集中，无人机的分布较为分散，水平和垂直分布相对更加均匀，这使得使用该数据集训练的模型更加鲁棒。同时，收集的数据大多是在建筑物较多的地方，更适合民用。
2、Dataset splitting（数据分割）
检测数据集被分为训练集、测试集和验证集；跟踪数据集包含20个长短序列。所有的图像帧都进行了详细的手工标注。下表为该数据集的各项属性的详细介绍。
检测数据集共包含10000张图像，训练集包含5200张，测试集包含2200张，验证集包含2600张， 每张图像中不只包含一个检测目标，因此整个检测数据集中包含10109个检测目标，训练姐包含5243个，测试集包含2245个，验证集包含2621个。
3、Dataset characteristics（数据特征）
相较于其他传统的目标检测和目标跟踪的数据集（如COCO、ILSVRC、LaSOT、OTB等），DUT Anti-UAV数据集最突出的特点就是小目标的比例大大增加。此外，无人机通常都是在室外飞行，背景是十分复杂的。
（1）Image resolution
DUT Anti-UAV数据集包含了不同分辨率的图像（跟之前将的数据集的不同之处）：对于目标检测数据集，最大的图像尺寸为3744*5616，而最小的图像尺寸为160*240；对于目标跟踪数据集，有两种分辨率的视频，分别为1080*1920和720*1280。图像分辨率的不同设置可以使模型适应不同大小的图像，避免过拟合。
（2）Object and background
使用好的数据集来训练模型可以很好地提高模型的性能，论文作者团队为了提高数据集的多样性，使用了超过35种无人机，如下图。
提到多样性肯定就离不开各种各样的飞行背景了，DUT Anti-UAV数据集中的飞行背景包括天空、乌云、草丛、高耸的建筑、居民区、农场等，同时光线条件也是随机变换（白天、夜晚、黄昏和清晨；晴天，阴天和雨雪天），如下图所示。
（3）Object scale
无人机通常都是小尺寸目标，下图是目标尺寸与全图尺寸的面积比所绘制的散点图。（图像很直观了，这里我就不过多讲了）
与传统数据集比较，小目标的检测和跟踪更有挑战性，也更容易失败。（所以现在小目标的检测和跟踪还是有很多东西值得俺们深入研究）
（4）Object aspect ratio
下图是数据集中目标的长宽比的直方图，能很明显看出同一个序列中长宽比有较大的变化。（也属于数据多样性的一部分吧）
（5）Object position
论文中以散点图的形式描述了物体相对中心位置的位置分布。大部分物体都集中在图像的中心。所有集合中物体的运动范围各不相同，物体的水平运动和垂直运动分布均匀。对于跟踪数据集，目标在一个序列中的边界框是连续的。下图中的 ( d )还展示了——除了图像的中心区域，物体还频繁地向图像的右边和左下方移动。
4、Dataset challenges（数据挑战）
通过上文的分析（还有之前几篇数据集的博客），能够很清晰地整明白UAV检测和跟踪的困难和挑战在哪里。首先就是UAV本身就是一个小目标，如果背景复杂且有较为相似的物体，识别和跟踪的难度就会大大增加；其次，光线的强弱也会有影响，因为UAV的外观不尽相同，光线的不同也会对识别和跟踪造成较大的影响；然后就是之前的博客提到的相通的问题——模糊、快速移动、消失、遮挡等。下面的两组图就能很好的展示上述的问题（图片来自与DUT Anti-UAV数据集）。
