红外目标检测数据集：
1.SCUT FIR Pedestrain（Caltech格式）
下载地址：http://www2.scut.edu.cn/cv/download/main.htm
道路行人检测类别：walk person，ride person，squat person，people，person?，people?。
这是作者在Gravity上找到的关于道路目标检测红外数据集，整个数据集压缩后大小7.35，详细的可以去华南理工大学计算机视觉实验室查看。数据集给出了.vbb格式的Annotations，也给出了TXT格式的Annotations。FLIR的数据库用于无人驾驶汽车的辅助夜视系统深度学习模型训练。这是很齐全的数据集。
注意：找数据集网站graviti。
2.FREE Teledyne FLIR Thermal Dataset
下载地址：https://www.flir.com/oem/adas/adas-dataset-form/
无人驾驶目标检测类别：Person，Bike，Car，Motorcycle，Bus，Train，Truck，Traffic light，Fire Hydrant，Street Sign，Dog，Skateboard，Stroller，Scooter，Other Vehicle。
用于图像识别，可见光-红外数据库（共有5个文件总共15G左右），以及两个其他小数据集。FLIR的数据库用于无人驾驶汽车的辅助夜视系统深度学习模型训练。
可参考：https://blog.csdn.net/u013832707/article/details/106014212
红外图像是通过红外热成像仪利用探测器将红外辐射能转换成电信号，经放大处理、转换或标准视频信号在电视屏或监测器显示的红外热像图。由于红外图像是通过“测量”物体向外辐射的热量而获得的，其与可见光图像相比有以下特点：分辨率差、对比度低、信噪比低、视觉效果模糊、信息量少等特点，需要通过图像增强等预处理后，才能获得舒适的视觉成像效果。红外图像在成像的各个环节都会受到外界的影响而产生噪声，比如由于热传导效应及空气的散射，导致图像边缘较为模糊，对比度低，并且会有温度分布不均引起的散斑噪声，同时由于探测器增益影响、内部电子线路影响等，还会出现椒盐噪声和条纹噪声，严重影响视觉效果以及后续高级功能的实现。同时，不同于可见光的图像数据可以通过拍摄多张图片取平均的方式直接获取，红外图像降噪数据集的制作难度较大。
目前公共数据集比较少，且图片少，导致训练效果差。在我看过的文章中绝大部分红外数据集都是自己采集标注制作的。
深度学习在红外目标检测中的应用现有文献很少的原因：
1、红外目标检测本身的应用场景相对可见光就少很多，能利用可见光通道解决的一般不会用到红外通道。红外目标检测的原理基本上是利用目标与背景的辐射强度差异来将两者进行分离，从而实现目标的检测，缺少了色彩信息，而可见光的目标检测可以利用目标本身的多种特性来进行确定。
2、在实际实验的红外检测中，假如出现精度不高的情况，工业界往往会对探测设备进行一定的升级，如在探测器上加滤波片和偏振片等，识别算法也通常采用的也是传统图像处理的手段，深度学习的应用较少。
3、深度学习得到的模型最重要的取决于数据集，有好的数据集才会有好的特征，而现在公开的红外图像数据集非常少，进行实验基本上都是自采数据（基于特定装置和特定场景)。数据集采集难度也比可见光通道下研究的问题要大的多。
参考：1. https://www.zhihu.com/question/294196897
2. https://zhuanlan.zhihu.com/p/340734934
3. https://zhuanlan.zhihu.com/p/231168560
4. https://blog.csdn.net/qq_15698613/article/details/109052006