为了帮助无人机检测和跟踪领域的发展，我们提出了一个无人机检测和跟踪数据集，命名为DUT反无人机。它包含检测和跟踪子集。检测数据集被分成三个集合，即训练集、测试集和验证集。跟踪数据集包含20个序列，其中目标是各种无人机。它用于测试无人机跟踪算法的性能。
A.数据集拆分
我们的DUT反无人机数据集包含检测和跟踪子集。检测数据集被分成训练集、测试集和验证集。跟踪数据集包含20个短期和长期序列。所有帧和图像都经过精确的手动注释。图像和物体的详细信息如表I所示。具体来说，检测数据集总共包含10,000幅图像，其中训练集、测试集和验证集分别具有5200、2200和2600幅图像。考虑到一幅图像包含多个目标的情况，检测目标的总数为10,109个，其中训练集、测试集和验证集分别具有5243个、2245个和2621个目标。
B.数据集特征
与一般的目标检测和跟踪数据集（例如，COCO[37]、ILSVRC[38]、LaSOT [39]、OTB[40]）相比，所提出的无人机检测和跟踪数据集最显著的特点是小目标的比例更大。此外，鉴于无人机多在室外飞行，背景通常比较复杂，这增加了无人机检测和跟踪任务的难度。我们从以下几个方面分析了所提出的数据集的特征。
图像分辨率。数据集包含各种分辨率的图像。对于检测数据集，最大图像的高度和宽度为3744和5616，而最小图像的大小为160 × 240；他们之间的巨大差异。跟踪数据集具有1080 × 1920和720 × 1280分辨率的两种类型帧。图像分辨率的各种设置可以使模型适应不同大小的图像，避免过拟合。
目标和背景。为了丰富物体的多样性，防止模型过度拟合，我们选择了超过35种类型的无人机。在图3中可以看到几个示例。数据集中的场景信息也是多样的。鉴于无人机大多在户外飞行，我们数据集的背景室外环境，包括天空、乌云、丛林、高层建筑、居民楼、农田、操场。此外，我们的数据集中还考虑了各种光照条件（如白天、夜晚、黎明和黄昏）和不同的天气（如晴天、阴天和下雪天）。图4中示出了来自检测子集的各种示例。我们数据集中复杂的背景和明显的室外照明变化对于训练鲁棒和高性能的无人机检测模型至关重要。
图3。我们数据集中不同类型无人机的示例。
图4。我们的数据集的检测图像和注释的示例。
目标比例。无人机的尺寸往往很小，户外环境广阔。因此，在我们的数据集中，小目标的比例很大。我们根据完整图像计算物体面积比，并绘制比例分布的直方图，分别如表I和图2所示。对于检测数据集，包括训练集、测试集和验证集，平均目标面积比约为0.013，最小目标面积比为1.9 E-06，最大目标占整个图像的0.7。大多数物体都很小。整个图像中的目标大小的比例大约小于0.05。对于跟踪数据集，序列中目标的比例平滑变化。平均物体面积比为0.0031，最大比为0.045，最小比为2.7 E-04。与一般检测和跟踪数据集中的目标相比，小目标更难检测和跟踪，也更容易出现故障，如漏检和跟踪丢失。
图2.DUT反无人机数据集的纵横比和比例分布。
目标纵横比。表I和图2还示出了物体纵横比。我们数据集中的目标有不同的纵横比，最大值为6.67，最小值为1.0。在一个序列中，相同的物体具有显著的纵横比变化。例如，“video10”中的目标纵横比在1.0和4.33之间变化。大多数目标的纵横比在1.0到3.0之间。
目标位置。图1以散点图的形式描述了目标相对中心位置的位置分布。大多数物体都集中在图像的中心。所有集合中目标运动的范围不同，并且目标的水平和垂直运动分布均匀。对于跟踪数据集，一个序列中的目标的边界框是连续的。根据图1（d），除了图像的中心区域之外，目标还频繁地向图像的右侧和左下方移动。
图1.DUT反无人机数据集的位置分布。
C.数据集挑战
通过对最后一小节中提出的数据集特征的分析，我们发现无人机检测和跟踪遇到了许多困难和挑战。主要挑战是物体太小、背景复杂或与物体相似、光线变化明显。也容易出现物体模糊、快速运动、相机运动和视野外的情况。图4和图5分别示出了反映上述挑战的检测和跟踪数据集的示例。
图4。我们的数据集的检测图像和注释的示例。
图5。我们的数据集的跟踪序列和注释的示例。