LisCastle/UAV-GeoLoc_Dataset_Analysis.md

АНАЛИЗ ДАТАСЕТА: World-UAV (UAV-GeoLoc)

Дата анализа: 2026-04-06 Метод: Полный эмпирический анализ данных на диске + GitHub-репозиторий + проектная страница авторов Все пробелы из предыдущего анализа закрыты реальными данными.

1. МЕТАДАННЫЕ Поле Значение Полное название UAV-GeoLoc: A Large-Vocabulary Dataset and Geometry-Transformed Method for UAV Geo-Localization Авторы Rouwan Wu, Jiacheng Deng, Mingyu Mou, Xingyi He, Maojun Zhang, Yu

Liu, Shen Yan (NUDT + Zhejiang University)

Год, Venue 2025, IEEE Robotics and Automation Letters (RA-L), IF ~5.2, Q1 Robotics

DOI 10.1109/LRA.2025.3588061

Код https://github.com/RingoWRW/GeoLoc-UAV (Python, 17 stars)

Данные https://huggingface.co/datasets/RingoWRW97/UAV-GeoLoc

Лицензия CC BY-NC 4.0 (модификация и коммерческое использование

запрещены)

Общий объём на диске

~181 GB (Country: ~84 GB, Terrain: ~95 GB, Rot: ~1.4 GB, Index +

weights: ~0.3 GB)

2. ОБЩАЯ СТАТИСТИКА 2.1. Сводка по подмножествам Параметр Country Terrain Rot ИТОГО Категорий верхнего уровня 11 стран 27 типов ландшафта 1 сцена — Городов / под-категорий 35 27 1 63

Сцен (регионов) 171 200 1 372

Параметр Country Terrain Rot ИТОГО

DB crop-изображений (спутник) 141,045 132,990 648 274,683

Query-кадров (дрон) 308,352 337,704 6,688 652,744

Всего изображений 449,397 470,694 7,336 927,427 Avg positives / frame 1.00 1.00 1.00 1.00 Avg semi-positives / frame 2.87 2.80 — ~2.83 Уникальных размеров crop 6 9 1 11

2.2. Разбиение train / val / test (Index-файлы, только Terrain split)

Split Сцен Query-изображений DB-изображений Уник. labels Train 140 206,108 94,709 9,370 Val 40 62,368 26,597 2,757 Test 20 33,472 11,684 1,439 Итого 200 301,948 132,990 13,566

Дополнительные splits: *_country (180/60/30 сцен), *_all (319/100/50 сцен

объединённо).

2.3. Распределение positives на query

Из train_query.txt (206,108 строк):

Positives на query Количество Доля 1 ~2,500 1.2% 2 ~4,800 2.3% 3 ~2,200 1.1% 4 ~194,558 94.4% 5 ~100 <0.1% 6 ~1,950 0.9%

Подавляющее большинство query имеют ровно 4 positive DB-патча (1 точный + 3 semi-

positive соседа из-за 50% overlap нарезки).

3. ИЕРАРХИЯ СЦЕН 3.1. Country: 11 стран, 35 городов, 171 сцена Страна Городов Сцен Примеры городов USA 6 29 Boston, Chicago, Los Angeles, New York, San Francisco, Washington

Australia 3 20 Adelaide (7), Melbourne (6), Sydney (7)

English 4 20 Birmingham (5), Edinburgh (5), London (5), Manchester (5)

German 4 19 Berlin (5), Falakford (5), Hamburg (4), Munich (5)

Italy 4 19 Milan (5), Rome (5), Turin (5), Venice (4)

French 3 13 Lyons (5), Marseilles (4), Paris (4)

Japan 3 13 Kyoto (4), Osaka (4), Tokyo (5)

Korea 2 10 Busan (5), Seoul (5)

Poland 2 10 Krakow (5), Warsaw (5)

Spain 2 10 Barcelona (5), Madrid (5)

Brazil 2 8 Rio de Janeiro (3), Sao Paulo (5)

Замечание: 17 сцен (Edinburgh 5, London 5, Manchester 5, Birmingham/JewelleryQuarter

1, Chicago/__MACOSX 1) не содержат DB-кропов и positive.json — неполные данные

или артефакты архивации. 3.2. Terrain: 27 типов ландшафта, 200 сцен Тип ландшафта Сцен Тип ландшафта Сцен Hill 18 Finca 11 Mountain 18 Plateau 11 Fall 12 Volcano 11 Plain 12 Island 10 Basin 11 Gorge 9 Delta 11 Wetland 8 Calcification 6 Prairie 5 Desert 6 Terrace 5 Flowers 6 Farm 5 Тип ландшафта Сцен Тип ландшафта Сцен Oasis 6 Glacier 5 StoneForest 6 Snow 3 Pasture 2 Danxia 1 Hylare 1 Karst 1 3.3. Rot: 1 сцена, 88 вариантов

Сцена: SouthernSuburbs (Аделаида, Австралия)

4. ГЕОГРАФИЧЕСКИЙ ОХВАТ Параметр Значение

Диапазон долгот от -155° (Гавайи) до +176° (Новая Зеландия)

Диапазон широт от -50° (Патагония) до +63° (Гамбург)

Континентов 6 (Европа, Азия, Северная/Южная Америка, Австралия, Африка —

через Terrain)

Климатических зон Множественные: тропики, субтропики, умеренная, субарктика Ключевое преимущество: Первый UAV-to-satellite датасет с мультистрановым

покрытием (6+ стран и все континенты кроме Антарктиды).

5. МЕТОДОЛОГИЯ СБОРА ДАННЫХ

height100: 72 варианта — поворот каждые 5 градусов (0, 5, 10, ..., 355)

height125/150: по 8 вариантов — поворот каждые 45 градусов Итого: 88 вариантов x 76 кадров = 6,688 query-кадров

DB: 648 кропов (27x24 сетка, 200x200 px)

5.1. Источники изображений

Дроновые виды (query):

Параметр Значение

Платформа Синтетический рендеринг (Google Earth Studio 3D)

Тип съёмки RGB, top-down (камера вертикально вниз, pitch ~90°)

Разрешение кадров 512x512 px (подтверждено из JSON и реальных файлов)

FOV 30° по вертикали (из camera trajectory JSON)

Частота кадров 30 fps, 2.5 сек на траекторию

Кадров на траекторию 76 (75 кадров анимации + начальный)

Формат JPEG

Спутниковые виды (gallery / DB):

Параметр Значение

Платформа Спутник (Google Earth / Google Maps tiles)

Формат PNG (кропы), GeoTIFF (merge.tif)

Разрешение кропов

от 100x100 до 1000x1000 px (11 уникальных размеров, см.

раздел 6)

GSD Варьируется по сценам (зависит от zoom level при рендеринге)

5.2. Параметры съёмки дронов Параметр Значение

Высоты полёта 100 м, 125 м, 150 м (3 значения)

Азимуты камеры

(heading)

0°, 45°, 90°, 135°, 180°, 225°, 270°, 315° (8 направлений, шаг

45°)

Число вариантов на сцену

24 (3 высоты x 8 азимутов) для Country; 8-24 для Terrain

FOV камеры 30° (вертикальный, подтверждено)

5.3. Примеры данных Пары query-positive: Влияние высоты на query-изображение: Влияние поворота камеры: 6. ПРОСТРАНСТВЕННАЯ НАРЕЗКА СПУТНИКОВЫХ ПАТЧЕЙ 6.1. Обнаруженные параметры нарезки Эмпирически установлено путём попиксельного сопоставления кропов с merge.tif:

Правило: stride = crop_size / 2 (ровно 50% overlap) для ВСЕХ сцен без

исключений. Параметр нарезки Значение Стратегия Sliding window с фиксированным overlap

Overlap 50% (stride = crop_size / 2)

Именование crop_X_Y.png — X по ширине (col), Y по высоте (row)

Позиция в merge.tif merge[Ystride : Ystride+crop_size, Xstride : Xstride+crop_size] 6.2. Распределение размеров кропов

Crop size (px) Stride (px) Сцен Country Сцен Terrain Итого сцен

100x100 50 1 0 1 150x150 75 ~20 11 ~31 200x200 100 ~120 111 ~231 250x250 125 ~15 0 ~15 300x300 150 0 10 10 400x400 200 1 3 4 500x500 250 0 1 1 512x512 256 4 43 47 600x600 300 0 8 8 800x800 400 0 8 8 1000x1000 500 0 4 4

Наиболее частый размер: 200x200 px (231 сцена, ~64% всех сцен).

6.3. Размеры merge.tif Размеры merge.tif сильно варьируются: 7. АННОТАЦИИ И МЕТАДАННЫЕ 7.1. Файлы аннотаций на сцену Файл Содержание Формат positive.json Точное GT-соответствие: frame_idx -

[crop_name] JSON, 1 positive на кадр Минимум: ~1280x2560 px

Типичный (Country): ~2816x2304 — 3072x2560 px

Типичный (Terrain, 512 crop): ~7680x5120 — 7680x7680 px

Максимум: ~15360x11520 px (отдельные сцены Terrain)

USA/Washington: ~10752x9984 px (512x512 кропы)

Файл Содержание Формат semi_positive.json Частичные перекрытия: frame_idx -> [crop_1, crop_2, ...] JSON, 1-5 semi- positives db_postion.txt GPS-координаты каждого crop filename lon lat res_x res_y

height{H}_rot{R}.json Траектория камеры для каждого

query-варианта JSON с ECEF, lat/lon, FOV merge.tif Полный спутниковый снимок региона GeoTIFF

{RegionName}.txt Границы региона (start/end

координаты)

Text 7.2. Структура camera trajectory JSON 7.3. Типы аннотаций Тип аннотации Наличие Комментарий GPS-координаты Да Из Google Earth, точность ~1-3 м

Высота дрона (altitude) Да 100, 125, 150 м (дискретно)

Азимут камеры (heading) Да 8 значений с шагом 45°

FOV камеры Да 30° вертикальный

Pitch / Roll Да Фиксированный (top-down, ~90°)

Positive/Semi-positive pairs Да positive.json + semi_positive.json Семантические метки Частично 27 категорий terrain type

{

"name": "height100_rot0", "width": 512, "height": 512, "frameRate": 30, "numFrames": 75, "durationSeconds": 2.5, "cameraFrames": [

{

"position": {"x": ..., "y": ..., "z": ...},

"rotation": {"x": ..., "y": ..., "z": ...},

"coordinate": {"latitude": ..., "longitude": ..., "altitude": 150},

"fovVertical": 30

}, ...

]

}

Тип аннотации Наличие Комментарий Временная метка Нет — Depth maps Нет — Segmentation masks Нет — Bounding boxes Нет — 8. ПРЕДОБУЧЕННЫЕ МОДЕЛИ

Три checkpoint'а (~95 MB каждый), идентичная архитектура:

Файл Обучение Параметров Описание weights_terrain.pth Terrain split 24,873,938 Только природные сцены weights_city.pth Country split 24,873,938 Только городские сцены

weights_e6_all.pth All (combined) 24,873,938 Объединённый датасет

Архитектура модели (221 слой):

Архитектуры из GitHub-репозитория: Вариант Backbone Local Features Aggregation Rotation Inv.

Group (основной) DINOv2 ViT-S/14 GroupNet MulConvAP Да (8 углов)

Group-DINOv2 DINOv2 ViT-B/14 GroupNet ConvAP Да Vanilla ResNet50 Global only ConvAP/GeM Нет

AnyLoc (baseline) DINOv2 ViT-G/14 Global GeM Нет

9. ПРОТОКОЛ ОЦЕНКИ logit_scale — обучаемый скаляр температуры для contrastive loss groupnet.extractor — DINOv2 ViT-S/14 с conv projection groupnet.embedder — embedding head aggregator.AAP — adaptive average pooling

aggregator.channel_pool_{1,3,5} — multi-scale channel pooling (MulConvAP)

9.1. Задача

Image-to-image retrieval (drone -> satellite). Дроновое изображение (query)

сопоставляется с гео-привязанными спутниковыми патчами (gallery) через ранжирование

по сходству эмбеддингов. Ключевое отличие от University-1652: One-to-N matching — одному query может соответствовать несколько positive и semi-positive gallery-патчей. 9.2. Метрики Метрика Используется Комментарий Recall@1 Да Стандарт для всех CVGL-работ Recall@5 Да — Recall@10 Да — 9.3. Результаты на Rot-подмножестве

"Fire" — модели, обученные на World-UAV; "Box" — модели с LPN-методом.

10. ПОЛНАЯ СТРУКТУРА ДАННЫХ UAV-GeoLoc/ # ~181 GB ├── Country/ # ~84 GB, 11 стран, 35 городов, 171 сцена

│ └── {Country}/{City}/{Region}/

│ ├── DB/

│ │ ├── merge.tif # полный спутниковый снимок (GeoTIFF)

│ │ ├── db_postion.txt # GPS: filename lon lat res_x res_y │ │ └── img/

│ │ └── crop_X_Y.png # нарезанные патчи (stride =

crop_size/2)

│ ├── query/

│ │ └── height{H}_rot{R}/ # 24 варианта (H: 100/125/150, R: 0-315)

│ │ ├── footage/

│ │ │ └── height{H}_rot{R}_{frame}.jpeg # 76 кадров, 512x512

│ │ ├── height{H}_rot{R}.json # траектория камеры

│ │ └── height{H}_rot{R}.esp # Earth Studio project

│ ├── positive.json # GT: frame_idx -> [exact crop match] │ ├── semi_positive.json # frame_idx -> [overlapping crops]

│ └── {Region}.txt # координаты региона

│ ├── Terrain/ # ~95 GB, 27 типов, 200 сцен

│ └── {TerrainType}/{Scene}/ # структура аналогична Country

│ ├── DB/ │ ├── query/ # 8-24 варианта │ ├── positive.json │ ├── semi_positive.json

│ └── visible_gt/ # (опционально) GT видимости

│ ├── Rot/ # ~1.4 GB, 1 сцена

│ └── SouthernSuburbs/ # 88 вариантов (72 rot@h100 + 8@h125 +

8@h150)

│ ├── DB/ # 648 кропов │ └── query/ │ ├── Index/ # train/val/test splits

│ ├── train.txt / val.txt / test.txt # списки сцен (Terrain)

│ ├── train_country.txt / val_country.txt / ...# списки сцен (Country)

│ ├── train_all.txt / val_all.txt / ... # объединённые │ ├── train_query.txt # 206K строк: path label pos1 [pos2...] │ ├── train_db.txt # 95K DB-путей │ ├── val_query.txt / val_db.txt # 62K / 27K │ └── test_query.txt / test_db.txt # 33K / 12K │ ├── weights_terrain.pth # 95 MB, 24.9M params ├── weights_city.pth # 95 MB, 24.9M params 11. СРАВНЕНИЕ С КЛЮЧЕВЫМИ ДАТАСЕТАМИ Характеристика World-UAV University-1652 SUES-200 VIGOR CVUSA Год 2025 2020 2023 2021 2019 Venue RA-L ACM MM — CVPR — Вид пары D<->S D<->S<->G D<->S G<->S G<->S Число локаций 372 1,652 200 90K+ 44K Число изображений 927K 72K+ 4,800 238K 88K

Число стран 6+ 1 (Китай) 1 (Китай) 1

(США)

1 (США)

Число типов сцен

27 ~1 (кампус) ~1

(кампус)

смеш. смеш. Разрешение query 512x512 256x256 224x224 varies varies Видов на локацию

24 (D) 54 (D) 4 (D) 1 1

Мульти- высотность Да

(100/125/150 м)

Да (3 выс.) Да (4

выс.)

Нет Нет Мульти- ракурсность

Да (8 азимутов) Да (18 аз.) Нет Нет Нет

One-to-N matching Да Нет Нет Да Нет Semi-positives Да Нет Нет Нет Нет

Cross-area split Да (по

странам)

Нет Нет Да Нет Gallery strategy Grid + 50% overlap GPS-centered 1:1 GPS- centered 1:1 Grid, semi- pos. GPS- centered 1:1

Gallery size (DB) 274K 951 200 90K+ 44K

Дрон-виды Синтетические

(GE)

Синтетические

(GE)

Реальные — — ├── weights_e6_all.pth # 95 MB, 24.9M params └── README.md Характеристика World-UAV University-1652 SUES-200 VIGOR CVUSA

Публичный Да (CC BY-NC

4.0)

Да Да Да Да 12. ЗАМЕЧАНИЯ ПО КАЧЕСТВУ ДАННЫХ

12.1. Неполные сцены (17 из 171 Country)

Следующие сцены не содержат DB-кропов, GPS-данных и positive.json:

12.2. Ошибки именования папок (6+ сцен)

Сцена Ошибка Ожидание French/Lyons/PartDieu eight150_rot135 height150_rot135 French/Marseilles/LaPlaine 125_rot315 height125_rot315 Spain/Barcelona/SantMarti ght100_rot90 height100_rot90 Japan/Tokyo/Shibuya height150_rot3155 height150_rot315 Italy/Turin/Crocetta height150_rot22 height150_rot225

English/Birmingham/Harborne height150_rot0 (1) дубликат

12.3. Общие замечания

Edinburgh: все 5 (CastleHill, Dalry, Haymarket, NewTown, Stockbride)

London: все 5 (CamdenTown, CoventGarden, Fitzrovia, Mayfair, SoHo)

Manchester: все 5 (Ancoats, Castlefield, Deansgate, NorthernQuarter, Piccadilly)

Birmingham: JewelleryQuarter

Chicago: __MACOSX (артефакт macOS-архивации)

Domain gap: дроновые виды синтетические (Google Earth 3D) — не реальные БПЛА

Нет сезонной вариативности: Google Earth рендерит одну "замороженную" версию сцены Нет погодных / световых вариаций: нет fog, rain, night Воспроизводимость: Google периодически обновляет 3D-модели, что может нарушить воспроизводимость

Географический bias: нет Африки (кроме Terrain), нет Юго-Восточной Азии, нет

арктических регионов в Country 13. КЛЮЧЕВЫЕ ЧИСЛА ДЛЯ ЦИТИРОВАНИЯ Метрика Значение Всего сцен 372 Всего изображений 927,427

Стран 11 (Country)

Типов ландшафта 27 (Terrain)

Query-кадров 652,744 DB-кропов 274,683 Размер на диске ~181 GB Разрешение query 512x512 px FOV камеры 30°

Высоты 3 (100, 125, 150 м)

Азимуты 8 (шаг 45°)

Overlap нарезки 50% (stride = crop_size / 2)

Crop sizes 11 уникальных (от 100 до 1000 px)

Модель (params) 24.9M (GroupNet + DINOv2-ViT-S/14 + MulConvAP)