编辑推荐：
随着无人机数量增多，空域安全问题凸显。为解决固定翼无人机视觉检测难题，研究人员创建 MMFW-UAV 数据集。实验表明该数据集适用于固定翼无人机识别等任务，推动相关研究与应用发展。
在现代社会，无人机（UAV）技术在工业、商业和民用领域大放异彩，然而，其数量的迅猛增长却给空域安全带来了诸多麻烦。比如，未经授权、失去响应或无法通信的无人机监管就面临重重挑战。在这样的背景下，基于视觉的无人机检测和跟踪技术成为了解决这些难题的 “希望之星”。深度学习的蓬勃发展，更是为计算机视觉技术的创新和进步注入了强大动力。但目前固定翼无人机的开源图像 / 视频数据集数量稀少，现有的数据集存在真实世界空对空图像数据稀缺、图像捕获视图有限或无结构、缺乏多模态图像数据等问题，严重制约了固定翼无人机视觉研究的发展。
为了打破这些困境，北京理工大学自主智能无人系统国家重点实验室等机构的研究人员展开了深入研究。他们创建了 MMFW-UAV（multi-sensor and multi-view fixed-wing UAV dataset）数据集，这一数据集意义非凡，为众多相关研究和应用带来了新的曙光，其相关研究成果发表在《Scientific Data》上。
研究人员在这项研究中运用了多种关键技术方法。他们搭建了一个由图像捕获无人机（DJI M30T）和 12 架不同固定翼无人机组成的自制空对空数据采集平台。DJI M30T 配备了光学 RGB 变焦传感器、光学 RGB 广角传感器和氧化钒（VOx）热成像传感器。通过这个平台，采集了大量视频数据，之后对数据进行提取、清洗，去除冗余和有缺陷的数据。在数据标注上，采用半自动化标注、人工检查和二次优化的流程，保证数据的高质量。
下面来看看具体的研究结果。
- 数据集构建：MMFW-UAV 数据集共包含 147,417 张固定翼无人机图像，这些图像由多种传感器从多个视角拍摄，覆盖了不同大小、外观、结构和稳定飞行速度的固定翼无人机。数据集采用五级树状结构存储，提供 Pascal VOC 和 MS COCO 两种数据格式，标注类别为 “Fixed_Wing_UAV”，方便用户使用。
- 技术验证：研究人员选用了 Yolo V4-Tiny、Yolo V7-Tiny 等多种主流目标检测架构进行实验。结果显示，Yolo V4-Tiny、Yolo V7-Tiny 和 Yolo X 在多传感器子数据集中表现出色，检测性能突出，说明 MMFW-UAV 数据集中的三种图像数据都适用于固定翼无人机目标检测。同时，实验也发现部分模型在检测性能和推理速度上还有提升空间123。
总的来说，MMFW-UAV 数据集是首个针对固定翼无人机的一对一多模态图像数据集，且带有高质量标注。它的出现，为固定翼无人机的识别、检测和监测等任务提供了有力支持。在实际应用中，基于该数据集训练的模型可用于全时全天候的无人机搜索、监视和侦察。而且，数据集中的多模态数据还适合进行图像融合研究，提升视觉模型在复杂环境中的性能和适应性。此外，通过二次开发，该数据集还能应用于更多的视觉任务，极大地拓展了其应用价值。这项研究成果为固定翼无人机相关的研究和应用开辟了新道路，推动了该领域的进一步发展。
