"ScatSpotter"——一种狗粪检测数据集

小型非结晶废物，如生物性droppings和microtrash 可能难以在杂乱场景中被察觉，尽管它们对于环境整洁、公共卫生和自主清理至关重要。我们引入了"ScatSpotter"：一个包含围绕狗粪便多边形注释的图像数据集，用于训练和研究针对小型潜在隐蔽户外废物的对象检测和分割系统。我们在主要为城市环境收集数据，采用"before/after/negative"（BAN）协议：对于给定位置，我们捕获一个包含该对象的图像、一个从相同视角移除后拍摄的图像，以及一个包含大量视觉上相似干扰物的靠近负面场景。图像收集始于 2020 年。本文聚焦于 2025 年和 2024 年的两个数据集检查点。数据集包含超过 9000 张图像和 6000 个多边形注释。我们保留了 691 张图像用于验证，并使用其余图像进行训练。通过社区参与，我们获得了 121 张测试集图像，该测试集虽然较小，但独立于作者收集的图像，能够在摄影师、设备和位置方面提供一定的泛化信心。由于数据集有限，我们报告了验证和测试结果。我们探讨了数据集的难度，采用即插即用的 VIT、MaskRCNN、YOLO-v9 和 DINO-v2 模型。零样本 DINO 表现不佳，表明该类别的基础模型覆盖范围有限。调优后的 DINO 在 691 张验证集上的框平均精度为 0.69，测试集为 0.7。这些结果建立了强大的基准，并量化了检测小型隐蔽废物对象的剩余难度。为支持开放获取的模型和数据，我们比较了集中式和去中心化分发机制，并讨论了在共享科学数据方面的权衡。代码和项目细节托管在 GitHub 上。