SenseCity Africa 100 (SCA100)

SenseCity Africa 100 (SCA100)是由洛桑联邦理工学院和穆罕默德六世理工大学创建的一个众包数据集，包含100张来自非洲大陆的带有地理标记的图像。该数据集旨在通过通信技术和互联网接入的普及来探索非洲城市面临的挑战。为了确保非洲大陆五大区域的全面代表性，采用了按比例抽样的方法。SCA100数据集主要用于评估图像地理定位模型的性能，特别是在非洲这样的数据稀缺地区。该数据集的应用领域包括旅游、导航系统、新闻视觉调查等多个重要领域，旨在解决现有数据集中存在的地区偏见问题，促进人工智能技术的公平性和包容性。SenseCity Africa 100 (SCA100) is a crowdsourced dataset developed by École Polytechnique Fédérale de Lausanne (EPFL) and Université Mohammed VI Polytechnique. It contains 100 geotagged images sourced from across the African continent. This dataset aims to explore the challenges confronting African cities amid the widespread adoption of communication technologies and internet access. To ensure comprehensive representation of the five major regions of the African continent, proportional sampling was employed in its construction. The SCA100 dataset is primarily utilized to evaluate the performance of image geolocation models, especially in data-scarce regions such as Africa. Its applicable domains cover multiple critical fields including tourism, navigation systems, visual journalism investigations, and more. This dataset is intended to mitigate regional biases existing in current datasets and advance fairness and inclusivity in artificial intelligence technologies.

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，地理定位数据集的构建往往面临全球代表性不足的挑战。SenseCity Africa 100 (SCA100) 数据集正是为了弥补这一空白而构建。其构建方法采用了众包模式，旨在利用非洲大陆广泛存在的通信技术和互联网接入，以探索解决城市挑战的潜力。为确保数据能够全面代表非洲大陆的多样性，构建者采用了比例抽样策略，依据联合国定义的非洲五大地理区域——北非、西非、东非、中非和南部非洲——进行划分，并从每个区域中随机抽取指定数量的地理标记图像，最终汇集了100张涵盖城乡场景的图片。

特点

该数据集的核心特点在于其明确的地理聚焦性与代表性设计。与主流包含大量西方世界图像的全球数据集（如IM2GPS）形成鲜明对比，SCA100 专一且均衡地呈现了非洲大陆的视觉景观。其样本构成严格遵循非洲内部的地域分布，避免了数据过度集中于特定国家或高收入区域。这种设计使其成为一个评估计算机视觉模型，特别是图像地理定位模型，在 underrepresented regions（代表性不足地区）表现偏差的关键基准。数据集规模虽小，但其精心策划的样本结构为揭示模型在低收入地区，尤其是撒哈拉以南非洲地区的预测困难提供了高价值的分析素材。

使用方法

该数据集主要作为评估图像地理定位模型性能的测试基准，尤其用于揭示和量化模型的地理与社会经济偏差。研究人员可将训练于IM2GPS等主流数据集的先进模型（如ISNs）应用于SCA100，通过对比模型在两个数据集上不同空间尺度（如街道、城市、国家、大洲）的定位准确率，系统分析模型对非洲场景的泛化能力。进一步地，可结合图像的真实地理位置与模型预测位置，按照世界银行收入组别或综合性的世界区域分类（如Jones分类法）构建混淆矩阵，从而深入探查模型倾向于将图像错误预测至高收入国家或西方地区的系统性偏差模式，为开发更具包容性和全球代表性的AI模型提供实证依据。

背景与挑战

背景概述

在计算机视觉领域，图像地理定位估计旨在通过视觉内容推断拍摄地点的地理坐标，其应用广泛涵盖旅游导航、灾害管理与历史档案数字化。SenseCity Africa 100 (SCA100) 数据集由洛桑联邦理工学院（EPFL）与穆罕默德六世理工大学（UM6P）的研究团队于2024年构建，核心目标在于弥补非洲大陆在视觉数据中的代表性不足。该数据集通过众包方式收集了100张涵盖非洲城乡场景的地理标记图像，采用分层抽样确保覆盖北非、西非、东非、中非和南非五大区域。SCA100的创建直面当前地理定位模型训练数据集中于西方国家的结构性偏差，为评估算法在全球化应用中的公平性与泛化能力提供了关键基准。

当前挑战

SCA100数据集所应对的核心领域挑战在于图像地理定位模型在全球化部署中暴露的区域性偏差。现有主流模型（如ISNs）依赖IM2GPS等以西方数据为主的训练集，导致对非洲等低代表性区域的地理定位准确率显著下降，尤其在撒哈拉以南非洲等低收入地区表现薄弱。在构建过程中，研究团队面临两大挑战：一是获取高质量、地理分布均衡的非洲视觉数据极为困难，既有的公开数据集中非洲图像占比极低；二是需设计严谨的抽样框架以覆盖非洲多元的地理、文化与经济景观，避免内部偏差。这些挑战凸显了在资源有限地区构建代表性数据集的复杂性与紧迫性。

常用场景

经典使用场景

在计算机视觉领域，图像地理定位估计旨在通过视觉内容推断拍摄地点，而SenseCity Africa 100数据集为这一任务提供了非洲大陆的独特视角。该数据集最经典的使用场景是评估和揭示地理定位模型在非洲地区的性能偏差，特别是在城市与乡村环境中。通过对比IM2GPS等主流数据集，研究者能够深入分析模型在低收入区域和撒哈拉以南非洲的预测局限性，从而推动算法在全球化应用中的公平性。

衍生相关工作

该数据集衍生了多项关注数据偏见与地理定位公平性的经典研究。例如，基于SCA100的分析揭示了ISNs模型在高收入地区的过度预测倾向，进而催生了针对欠代表区域的模型微调方法。相关研究还扩展到结合气候数据（如Pigeon模型）或分层场景分类（如ISNs的改进版本），以提升全球尺度下的定位鲁棒性，推动了计算机视觉伦理与可扩展性的交叉探讨。

数据集最近研究

最新研究方向

在计算机视觉领域，图像地理定位估计技术正面临数据偏差的严峻挑战，尤其是在全球南方地区的代表性不足问题。SenseCity Africa 100 (SCA100) 数据集作为非洲大陆众包地理定位图像的集合，为研究区域偏差提供了关键案例。前沿研究聚焦于评估先进模型如ISNs在SCA100上的表现，揭示其训练数据IM2GPS中西方世界图像的过度代表导致对非洲等低收入地区预测准确率显著下降。热点事件包括利用聚类分析探索模型误预测的地理模式，发现模型倾向于将图像位置错误预测至高收入国家，凸显了算法公平性与包容性的迫切需求。这一研究方向的意义在于推动构建更均衡的全球数据集，促进人工智能技术在多样化地理和文化背景中的公正应用，为灾害管理、导航系统等实际场景提供更可靠的技术支撑。

相关研究论文

• Regional biases in image geolocation estimation: a case study with the SenseCity Africa dataset

  洛桑联邦理工学院(EPFL)和穆罕默德六世理工大学 · 2024年