RB-Dust—— 基于参考的视觉除尘数据集
本文提出了一种利用地球成像除雾知识解决火星上除尘问题的方法，该方法采用天问一号遥感图像，通过手动选择数量众多的清洁和含尘图像，通过训练神经网络，成功地消除了火星上尘暴对图像质量的影响，并提高了其地貌和地形数据的精度。
Jun, 2022
使用 Blender 模拟雨滴形状，收集不同无人机角度的背景图像，随机采样雨滴遮罩等构建了一个新的用于去除无人机图像中雨滴的基准数据集 UAV-Rain1k，并在此基准数据集上全面评估了现有的代表性图像去雨算法，并公布了值得进一步研究的未来研究机会。
Feb, 2024
本文提出应用图像识别技术解决农业领域的感知问题。作者提供了使用无人机采集并进行密集标注的农作物和杂草图像数据集以及用于测试的多个感知任务基准，包括语义分割、植物的全景分割、植物和叶子的检测、层次全景分割。
Jun, 2023
本文介绍了一个名为 Agriculture-Vision 的大规模农业航空图像数据集，通过对该数据集进行语义分割的实验，证明了农业在计算机视觉领域中仍面临着许多挑战。
Jan, 2020
本篇论文介绍了一个包含同期多光谱、热学和微波数据以及关键的稻作参数注释的数据集 ——SICKLE，并在三个不同的任务上对其进行了基准测试，即庄稼类型、生长季日期（播种、移栽、收获）和预测收成，并提出了使用根据观察到的生长季节和 tamalnadu 农业大学获取的标准季节信息生成的时间序列数据的收成预测策略。该数据集提供了一个可以训练机器学习模型来进行农业遥感的研究方向。
Sep, 2022
为精准农业中的计算机视觉任务提供包含语义标签的 12,000 张图像数据集，通过在合适的光照条件下模拟大豆作物和杂草的成长阶段、不同的土壤条件和随机的田地布局，将真实世界纹理和环境因素融入到程序生成过程中，提高合成数据的逼真度和适用性，从而有效地增加了农业机器学习模型的训练数据。
Mar, 2024
基于颜色校正和新的成员函数，提出了一种新的模型来增强沙尘图像，包括颜色偏移校正、雾霾去除和对比度亮度增强，并通过多张真实沙尘图像的测试和评估，实验结果表明该模型在有效去除红色和黄色偏移以及提供高质量和多样化的沙尘图像方面优于当前的研究。
Jul, 2023
我们提出了一种名为 DedustNet 的全新训练学习网络，利用基于 Swin Transformer 的波变换网络来解决实际农业图像去尘任务，并通过深度学习技术有效去除图像中的尘埃而保留原始结构和纹理特征，在农业机械应用中取得了卓越的性能和可靠的结果。
Jan, 2024
本文介绍一种多模式数据集，可用于验证在无法使用全球导航卫星系统（GNSS）的环境中自主导航的算法性能。数据集内容包括船上各种传感器的测量值，其中需要注重船舶 LiDAR 测距仪度测量数据的有效性，并介绍各种传感器系统的详细特性。
Apr, 2023