无人机油污漏油检测数据集：港口环境下无人机拍摄的分段式 RGB 图像
内容提要
本文综述了无人机视觉与深度学习结合的研究，涵盖多模态数据集构建、航空深度与语义分割、油污泄漏检测、海洋目标检测与跟踪（SeaDronesSee、MS2ship）、水下垃圾清理及夜间检测算法YOLO-Drone，并提出DeepLabT模型，推动无人机自动化检测发展。
延伸解读
数据集构建的多模态趋势
文章提到多个数据集构建工作，如包含图像和三维数据的多模态综合数据集，以及针对航空深度和语义分割的合成数据集。这些工作旨在解决真实数据稀缺和标注困难的问题，通过合成数据或增加数据维度来提升模型训练效果。读者可以关注多模态数据在无人机视觉任务中的潜力，以及合成数据在弥补真实数据不足方面的作用。
油污检测的技术方案对比
在油污泄漏检测方面，文章介绍了两种方法：一是使用深度编码器-解码器模型，最佳组合为ResNet-50编码器和DeepLabV3+解码器，在油污泄漏类上达到64.868%的平均IoU；二是集成Mask RCNN和逻辑规则的方法，通过语义分割和规则判断提高准确性。这两种方案各有侧重，前者注重分割精度，后者结合了规则推理，读者可根据实际场景选择。
海洋无人机检测的基准与挑战
文章提及SeaDronesSee和MS2ship两个海洋无人机数据集，分别用于目标检测跟踪和船只检测。SeaDronesSee包含超过54,000帧和400,000个实例，提供了丰富的高度、视角等元数据；MS2ship则专注于船只检测，并评估了多种算法的鲁棒性。这些基准推动了海洋无人机视觉研究，但海洋环境的动态性和复杂性仍是挑战。
夜间检测与模型创新
针对夜间检测，文章介绍了YOLO-Drone算法，在UAVDT和VisDrone基准及自制夜间数据集上优于现有方法，且在硅基金光LED下表现更佳。此外，DeepLabT模型结合CNN和Transformer，在VDD数据集上表现良好。这些创新表明，针对特定场景（如夜间）和结合不同架构优势，能有效提升无人机视觉任务的性能。
Q&A
无人机油污漏油检测中，哪种模型在油污泄漏类上表现最好？
使用ResNet-50编码器和DeepLabV3+解码器的深度编码器-解码器模型表现最佳，在“油污泄漏”类上的平均IoU为64.868%，类IoU为61.549%。
SeaDronesSee数据集是什么？它包含哪些内容？
SeaDronesSee是一个大规模视觉目标检测和跟踪基准，旨在填补从陆基视觉系统到海基系统的差距。它从各种高度和视角收集了超过54,000帧，包含400,000个实例，并提供海拔、视角等元数据。
MS2ship数据集有什么用途？
MS2ship是一个海洋无人机航拍数据集，专门用于船只检测，通过实验评估和鲁棒性分析展示了目标检测方法在海洋数据集上的性能。
YOLO-Drone算法在夜间检测中有什么优势？
YOLO-Drone是一种新的实时目标检测算法，在UAVDT和VisDrone基准数据集以及夜间采集的自制数据集中表现优于现有最先进方法，并且在硅基金光LED下的性能明显优于普通光源，特别适用于夜间检测任务。
DeepLabT模型是什么？它在哪个数据集上表现良好？
DeepLabT是一种基于CNN和Transformer架构的语义分割模型，在VDD数据集上具有很好的性能。
如何利用无人机和深度学习检测水下垃圾？
本文提出了一个基于深度学习的高效检测方法和包含多种水下环境的标注数据集，以更精确地定位、分类和移除水下废弃物及海底垃圾，并解决光线折射、颜色失真等挑战。
