Emergenсy mapping, Building heights

应急地图是一种深度学习方法，用于检测遥感图像中的破坏（损坏）建筑物。建筑物高度用于验证建筑物高度，使用已知太阳和卫星角度的单张图像中的高度重建方法。

Emergency mapping is a deep learning approach designed to detect damaged (destroyed) buildings in remote sensing images. Building heights are utilized to validate the accuracy of building height reconstruction, employing a method that reconstructs heights from a single image with known solar and satellite angles.

原始信息汇总

数据集概述

数据集来源

本数据集由Skoltech的Aeronetlab团队创建，旨在为卫星和航空图像中的物体识别提供开放数据集。

数据集用途

这些数据集主要用于深度学习算法的训练和验证。

数据集详情

项目名称及描述

项目名称	数据集数量	描述	大小	下载链接
"Emergenсy mapping"	2	用于检测遥感图像中被破坏（损坏）建筑物的深度学习方法	235 Mb + 5.2 Gb	下载
"Building heights"	1	用于验证建筑物高度，使用单张图像中已知太阳和卫星角度的建筑物高度重建方法	1.2 Gb	下载

标记类别的分类

ID	CLASS_NAME	描述	视觉	应用领域
0	clutter
101	Residential building	公寓楼屋顶（非足迹！），应有5层以上		retail, real estate, urban, mapping
901	building shadow	多层建筑的阴影，应与相应建筑相关		retail, real estate, urban
902	building wall	多层建筑的墙壁		retail, real estate, urban
102	House			retail, real estate, urban
103	Industrial building	工厂等		retail, urban
104	Commercial building	通常难以仅通过图像定义		retail, real estate, urban
105	Other non-residential buildings	车库、机库等，主要是小型非住宅建筑
106	Construction site	正在进行的建筑工作地点		retail, construction, real estate
107	Construction building			construction
108	Pit			construction
109	Swimming Pool	私人住宅区的游泳池，应与私人住宅相关		retail, marketing
110	Religious
...	...	...	...	...

数据集扩展计划

数据集计划扩展到不同的数据源、地区和应用领域，以符合自然和人为物体在卫星或航空图像中的清晰解释。

搜集汇总

数据集介绍

构建方式

该数据集由Skoltech的Aeronetlab团队构建，旨在通过卫星和航空影像进行目标识别。数据集通过开放许可分发，并支持单一数据访问工具Aeronetlib。数据集的构建基于对自然和人造物体的分类，涵盖多种地理区域和应用领域，确保其在遥感数据科学中的多样性和广泛适用性。

特点

该数据集的特点在于其地理多样性和丰富的类别标注，涵盖了建筑物、道路、植被、水体等多个领域。数据集特别关注建筑物高度和紧急情况下的建筑物损毁检测，提供了详细的标注类别和视觉示例，便于深度学习算法的训练和验证。

使用方法

该数据集主要用于训练和验证深度学习算法，特别是在遥感影像分析领域。用户可以通过Aeronetlib工具访问数据集，并根据具体需求选择不同的数据子集进行实验。数据集的应用场景包括建筑物高度重建、紧急情况下的建筑物损毁检测等，为相关研究提供了可靠的数据支持。

背景与挑战

背景概述

Emergenсy mapping和Building heights数据集由Skoltech的Aeronetlab团队创建，旨在通过卫星和航空图像进行物体识别。这些数据集是Open datasets项目的一部分，该项目由Skoltech和Innopolis大学共同维护，旨在为地球观测数据分析提供深度学习算法的训练数据和基准。数据集涵盖了多种地理区域和应用领域，特别是在建筑物高度重建和紧急情况下的建筑物损毁检测方面具有重要应用。该数据集通过提供多样化的标记类别，支持了遥感数据科学领域的研究，尤其是在建筑物识别和灾害应急响应方面。

当前挑战

在遥感数据科学领域，尽管已有大量数据集和竞赛，但地理多样性和训练类别的数量仍然不足。Emergenсy mapping和Building heights数据集面临的挑战包括：1) 解决建筑物损毁检测和高度重建的复杂性问题，特别是在不同光照和视角条件下的图像分析；2) 数据集的构建过程中，如何确保标记的准确性和一致性，尤其是在处理多源数据和不同地理区域时。此外，扩展数据集以涵盖更多地理区域和应用领域，同时保持数据的高质量和一致性，也是构建过程中的主要挑战。

常用场景

经典使用场景

在遥感影像分析领域，该数据集被广泛应用于建筑物高度重建和紧急情况下的建筑物损毁检测。通过深度学习算法，研究人员能够利用该数据集对卫星和航空影像中的建筑物进行精确识别和分类，特别是在自然灾害后的应急响应中，快速评估建筑物损毁情况，为救援决策提供数据支持。

实际应用

在实际应用中，该数据集被广泛用于城市规划、灾害应急管理和房地产评估等领域。例如，在城市规划中，建筑物高度数据可用于分析城市密度和建筑布局；在灾害应急管理中，损毁建筑物检测数据能够帮助快速评估灾情，指导救援行动；在房地产评估中，建筑物分类数据为市场分析和投资决策提供了重要参考。

衍生相关工作

该数据集衍生了一系列经典研究工作，特别是在建筑物高度重建和损毁检测领域。基于该数据集，研究人员开发了多种深度学习模型，如卷积神经网络（CNN）和生成对抗网络（GAN），用于建筑物高度估计和损毁检测。这些模型在多个国际遥感影像分析竞赛中取得了优异成绩，推动了相关技术的进一步发展。