SULAND v2: ドメインシフト下におけるUAV/UGVベースの地表地雷検出のための改良版RGBデータセットと深層学習物体検出ベンチマーク

要旨

RGB画像は、地表地雷検出における無人航空機／無人地上車両（UAV/UGV）による調査支援のための実用的で低コストな選択肢を提供するが、この安全性が極めて重要な領域では物体検出器は未だ十分に研究されていない。アーキテクチャ横断的なベンチマークが限られ、分布外（OOD）分析が不十分であるため、検出器が運用条件をまたいで汎化するかどうかは不明瞭なままである。この課題は、公開されているRGB地雷データセットの不足によってさらに増幅され、SULANDはPFM-1およびPMA-2検出の主要なベンチマークとなっている。しかしながら、精査により、SULANDにはアノテーションの欠落や誤り、位置特定エラー、一貫性のない可視性基準、視覚的アーティファクト、時間的なラベル付けの不整合、およびOODクラスID規約の反転が存在することが明らかになった。本稿では、改良されたRGB地表地雷データセットおよびベンチマークであるSULAND_v2を提案する。元の画像と分割を維持しつつ、アノテーションを手動で修正し、完全性、正確な位置特定、ラベルの妥当性、クラスの一貫性を確保した。SULAND_v2には、33,771枚の画像と12,433個のバウンディングボックスが含まれる。我々は、9つのファミリーにわたる35の検出器構成についてベンチマーク評価を行った。アノテーションの改良は、YOLOv8の分布内（IID）テストmAP@50を14.6〜19.6パーセントポイント向上させ、OODクラスID規約の修正は、YOLOv8の平均OOD mAP@50を約25パーセントポイント向上させた。SULAND_v2では、YOLOv12-Smallが最高のIID mAP@50（0.908）を達成し、RF-DETR-Largeが最強のOOD性能（mAP@50=0.799、再現率=0.675）を示した。我々の結果は、高いIID精度が実運用への即応性を保証するものではないことを実証している。SULAND_v2は、RGBベースの地雷対策調査支援におけるドメインシフト・ロバスト性を評価するための信頼できるベンチマークを提供する。

English

RGB imagery offers a practical, low-cost option for Unmanned Aerial/Ground Vehicle (UAV/UGV) survey support in surface-landmine detection, but object detectors remain underexplored in this safety-critical domain. Limited cross-architecture benchmarking and insufficient out-of-distribution (OOD) analysis obscure whether detectors generalize across deployment conditions. This challenge is amplified by the scarcity of public RGB landmine datasets, making SULAND a key benchmark for PFM-1 and PMA-2 detection. However, inspection reveals missing/false annotations, localization errors, inconsistent visibility criteria, visual artifacts, temporal labeling inconsistencies, and an inverted OOD class-ID convention in SULAND. We present SULAND_v2, a refined RGB surface-landmine dataset and benchmark. Preserving original images and splits, we manually revise annotations to ensure completeness, precise localization, label validity, and class consistency. SULAND_v2 contains 33,771 images and 12,433 bounding boxes. We benchmark 35 detector configurations across nine families. Annotation refinement improves YOLOv8 in-distribution (IID) test mAP@50 by 14.6-19.6 percentage points, while fixing the OOD class-ID convention increases mean YOLOv8 OOD mAP@50 by ~25 percentage points. On SULAND_v2, YOLOv12-Small achieves the highest IID mAP@50 (0.908), while RF-DETR-Large yields the strongest OOD performance (0.799 mAP@50, 0.675 recall). Our results demonstrate that high IID accuracy does not guarantee operational readiness. SULAND_v2 provides a reliable benchmark for evaluating domain-shift robustness in RGB-based mine-action survey support.