MMLA：多环境、多物种、低空航拍数据集
计算机视觉与模式识别
2025-10-23 v3
摘要
无人机图像中的实时野生动物检测支持关键的生态和保育监测。然而，标准检测模型如 YOLO 往往难以在不同位置之间泛化，并在处理稀有物种时表现不佳，限制了其在自动化无人机部署中的应用。我们提出 MMLA，一个跨越三个地点（肯尼亚的 Ol Pejeta Conservancy 和 Mpala Research Centre 以及美国俄亥俄州的 The Wilds）、包含六种物种（斑马、长颈鹿、单塔羚和非洲野犬）的多环境、多物种、低空航拍数据集。该数据集包含 811K 标注，来自 37 段高分辨率视频。基线 YOLO 模型在不同位置之间显示出性能差异，而在 MMLA 上微调 YOLOv11m 可将 mAP50 提升至 82%，比基线模型提升了 52 分。我们的结果凸显了多样化训练数据对于实现自动无人机系统中稳健动物检测的必要性。
引用
@article{arxiv.2504.07744,
title = {MMLA: Multi-Environment, Multi-Species, Low-Altitude Drone Dataset},
author = {Jenna Kline and Samuel Stevens and Guy Maalouf and Camille Rondeau Saint-Jean and Dat Nguyen Ngoc and Majid Mirmehdi and David Guerin and Tilo Burghardt and Elzbieta Pastucha and Blair Costelloe and Matthew Watson and Thomas Richardson and Ulrik Pagh Schultz Lundquist},
journal= {arXiv preprint arXiv:2504.07744},
year = {2025}
}
备注
Accepted at CVPR Workshop, CV4Animals 2025