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

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

为了解决现有数据集图片数量有限的问题，本文提出了一个包含图像和三维数据的多模态综合数据集，该数据集包含 28 类的像素级标注，并可用于深度网络架构的有效训练，结果表明其在合成数据和实际数据的适应方面具有良好的前景。

Aug, 2023

该研究提出了一种多模态无人机追踪和位姿估计方法，通过利用多模态传感器信息，包括立体视觉、各种雷达和音频阵列，以及针对无人机检测、分类和 3D 跟踪的困难，提高了准确度和稳健性，并在 MMUAD 数据集的分类和跟踪任务中取得了最好的性能。

May, 2024

本篇论文提出了一种跨模态迁移学习方法（xMUDA），用于解决多模态数据下的无监督域适应问题，借助自动驾驶数据集验证了该方法的有效性并与单模态方法进行了比较。

Nov, 2019

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

利用海洋无人机进行目标检测的深度学习技术在海洋工程和海洋行业的应用越来越重要。本文综述了海洋无人机目标检测面临的挑战、相关方法以及无人机航拍数据集，并提出了一个名为 MS2ship 的海洋无人机航拍数据集用于船只检测。通过一系列实验评估和鲁棒性分析，论文展示了这些目标检测方法在海洋数据集上的性能，并对未来的海洋无人机目标检测工作进行了讨论和展望。

Nov, 2023

该研究构建了一个大规模的无人机 RGB - 红外车辆检测数据集，在低光条件下，使用不确定性感知的跨模态车辆检测框架提取交叉模态图像的补充信息，以大幅提高检测性能。

Mar, 2020

本文提出一个新的反无人机问题，即在没有无人机先前信息的复杂环境中感知无人机，为此我们提出了最大的无人机数据集 AntiUAV600 和新的评估指标，并开发了一种新颖的反无人机方法来解决该问题。

Jun, 2023