介绍并推广了 UAVid 数据集，即用于语义分割的无人机高分辨率影像数据集。该数据集采用斜视图拍摄，结合侧视和俯视角度，可为对象的识别提供更多信息，并提供了几种深度学习基线方法，其中提出的多尺度扩张网络效果最好。

Oct, 2018

本文提出了一种多用途的多模态传感器航空数据集（AU-AIR）, 旨在弥合计算机视觉和机器人学之间的差距，并通过多种类型的记录数据进行真实环境的移动物体检测训练和测试，包括自带计算机的无人机。

Jan, 2020

提出了一种基于 Unreal Engine（UE）的多模态无人机目标检测数据集 UEMM-Air，通过模拟不同无人机飞行场景和目标类型，自动收集来自不同角度、高度的数据，并使用新颖的启发式自动注释算法生成准确的目标检测标签。该数据集包含 20k 对图像，具有 5 种模态和精确的注释，并且在众多实验中建立了新的基准结果，表明在 UEMM-Air 上预训练的模型在下游任务中表现更好。该数据集可公开获取以支持多模态无人机目标检测模型的研究。

Jun, 2024

使用从无人机 (UAV) 角度捕获的繁密注释的航拍图像，我们创建了一个综合性的合成数据集 SkyScenes，以全面展示在不同布局（城市和农村地图）、天气条件、时间、俯仰角和海拔高度上的多样性，具有相应的语义、实例和深度注释。通过我们在 SkyScenes 数据集上的实验，我们证明：（1）在 SkyScenes 上训练的模型对不同的实际情境具有很好的泛化性能，（2）将真实图像的训练与 SkyScenes 数据相结合可以提高实际表现，（3）SkyScenes 的可控变化可以揭示模型对视点条件变化的响应方式，（4）引入额外的传感器模态（深度）可提高航拍场景理解能力。

Dec, 2023

本研究提出了用于语义分割的无人机图像数据集，其中包含种类丰富、规模大、清晰度高的无人机图像，同时提出并测试了一种新的 DeepLabT 模型，该模型基于 CNN 和 Transformer 架构，在 VDD 数据集上具有很好的性能。

May, 2023

为了解决真实世界航空数据集的稀缺性问题，以及针对薄物体在航空视图中的检测和分割带来的关键问题，我们提出了一个新颖的合成数据集，专为航空视图中的深度和语义分割任务而设计。利用照片逼真的渲染技术，我们的数据集为使用合成监督训练方案训练模型提供了宝贵的资源，同时引入了新的针对航空深度准确性的无人机特定度量标准。

Dec, 2023

提供一个包含超过 580k 个边界框的数据集，命名为 Anti-UAV，可用于研究无人机（UAV）的跟踪任务及其性能，文中还提出了双流语义一致性（DFSC）的方法，可以通过视频序列中的语义流提高跟踪器的性能。

Jan, 2021

设计了一个大规模无人机数据集，采用两阶段的 6 自由度定位流程，利用此方法进行可视化定位，并在新数据集上进行了实验证明其有效性。

Jan, 2024

本篇论文介绍了一个名为 VisDrone2018 的大规模视觉对象检测和跟踪基准，目的在于推进基于无人机平台上的视觉理解任务，其包含了 14 个不同城市的各种城市 / 郊区地区的图像和视频序列，并提供了丰富的标注，如物体边界框的位置，物体类别，遮挡，截断比等，是迄今为止发表的最大的数据集之一，可广泛评估并研究在无人机平台上的视觉分析技术。

Apr, 2018

本文介绍了一个由三个英国城市中 7.6 平方公里的城市景观组成的大规模城市照相测量点云数据集，其中每个 3D 点都被标记为 13 个语义类别之一，并通过基于现有算法的综合分析来识别了几个关键问题。

Sep, 2020