MassMIND：马萨诸塞州海事红外数据集

深度学习技术的最新进展引发了地面车辆自主性的根本性进步。常用于监视、监测及其他常规任务的海洋沿岸自主水面艇（ASV）可受益于这种自主性。长途深海运输活动是另外的机遇。这两种用例呈现极为不同的地形——前者为沿岸水域，具有诸多障碍物、构筑物与人造活动，而后者基本无此类障碍。环境条件的差异对两种地形均属常见。映射此类地形的鲁棒标注数据集对提升可驱动自主性的态势感知至关重要。然而，现有此类海事数据集有限且主要由光学图像构成。尽管长波红外（LWIR）作为光学谱段的强力补充有助于极端光照条件，但目前不存在带 LWIR 图像的公开标注数据集。本文通过呈现一个在多样条件下于沿海海事环境采集的超过 2,900 张 LWIR 分割标注图像的数据集填补此空白。图像采用实例分割标注并分为七类——天空、水面、障碍物、生物障碍物、桥梁、自身与背景。我们还在三种深度学习架构（UNet、PSPNet、DeepLabv3）上评估该数据集并提供其效能的详细分析。尽管数据集聚焦沿海地形，其同样可助益深海用例。此类地形交通较少，且在杂乱环境训练的分类器将能有效处理稀疏场景。我们向研究界共享此数据集，期望其激发海事环境中新的场景理解能力。