Wir stellen MultiWeather-ThermalUAV vor, ein szenenkonsistentes, multi-wetter, multimodales Datenset für die semantische Segmentierung von UAVs. Das Datenset erweitert Safe-UAV, ein synthetisches Luftbild-Datenset, um synthetisch erzeugte Thermobilder und vier Wetterbedingungen: klar, Nebel, Regen und Schnee. Seine definierende Eigenschaft ist die Szenenkonsistenz: Geometrie, Objektplatzierung und Segmentierungsannotation sind über alle Wetterbedingungen für jede Szene identisch, was eine kontrollierte Isolierung des wetterinduzierten Domänenwechsels vom szenebezogenen Variationsniveau ermöglicht. Diese Eigenschaft fehlt bei bestehenden UAV-Segmentierungs- und Wetterrobustheits-Benchmarks, die entweder nur eine Modalität, eine Wetterbedingung bieten oder den Inhalt der Szene über Bedingungen hinweg nicht bewahren. Das Datenset umfasst 11.907 einzigartige Szenen und insgesamt 142.884 Bilder in drei Modalitäten (RGB, Thermisch, Segmentierungsmaske) und vier Wetterbedingungen, organisiert in Trainings-, Validierungs- und Test-Sets. Wir etablieren ein Benchmark-Protokoll, bei dem Modelle ausschließlich mit klarem Wetter trainiert und ohne Anpassung über alle Bedingungen evaluiert werden. Experimente mit U-Net und LR-ASPP MobileNetV3-Large über RGB-, thermische und Early-Fusion-Modi zeigen, dass Thermobildgebung bei Nebel und Regen deutlich robuster ist als RGB, dass Early Fusion durch Kanalstapelung unter Nebel zusammenbricht trotz der höchsten Leistung bei klarem Wetter, und dass Schnee die mildeste Leistungsminderung über alle Konfigurationen hinweg verursacht. Das Datenset, der Generierungscode und die Experimentpipeline werden öffentlich bereitgestellt, um reproduzierbare Forschung zur wetterrobusten multimodalen UAV-Wahrnehmung zu unterstützen.
Borse Shashank Dilip (Tue,) untersuchte diese Fragestellung.