STAR

用于场景图生成的大规模数据集，包含超过210K对象和400K三元组，适用于大尺寸高分辨率卫星图像。

A large-scale dataset tailored for scene graph generation, encompassing over 210,000 objects and 400,000 triples, and applicable to large-sized high-resolution satellite imagery.

原始信息汇总

数据集概述

数据集名称

Bias-Aware Learning for Unbiased Scene Graph Generation in Remote Sensing Imagery (BAL)

数据集简介

该数据集是论文“Bias-Aware Learning for Unbiased Scene Graph Generation in Remote Sensing Imagery”的官方实现，是“ECCV2024-Fine-Grained-Scene-Graph-Generation-via-Sample-Level-Bias-Prediction”的扩展版本。

数据集构成

• 包含超过210,000个对象和超过400,000个三元组（subject, relationship, object）。
• 图像尺寸范围从512 × 768像素到27,860 × 31,096像素。
• 名称：STAR (Scene graph generation in large-size satellite imagery)

数据集特点

• 针对大型高分辨率卫星图像的场景图生成。
• 提出了一个面向场景图生成的上下文感知级联认知（CAC）框架。
• 伴随一个面向卫星图像的场景图生成工具包，包含约30个对象检测和10个场景图生成方法。

使用许可

该数据集和相关代码遵循Apache 2.0许可。

参考文献

请参考以下论文引用以使用此数据集： bibtex @ARTICLE{STAR, author={Li, Yansheng and Wang, Linlin and Wang, Tingzhu and Yang, Xue and Luo, Junwei and Wang, Qi and Deng, Youming and Wang, Wenbin and Sun, Xian and Li, Haifeng and Dang, Bo and Zhang, Yongjun and Yu, Yi and Yan, Junchi}, journal={IEEE Transactions on Pattern Analysis and Machine Intelligence}, title={STAR: A First-Ever Dataset and a Large-Scale Benchmark for Scene Graph Generation in Large-Size Satellite Imagery}, year={2025}, volume={47}, number={3}, pages={1832-1849}, doi={10.1109/TPAMI.2024.3508072}}

搜集汇总

数据集介绍

构建方式

STAR数据集的构建，针对大型卫星图像中的场景图生成任务，采用了大规模的图像与三元组（主体、关系、对象）标注。该数据集覆盖了超过210,000个对象和400,000个三元组，图像尺寸范围从512 × 768像素到27,860 × 31,096像素，旨在为大规模卫星图像中的场景图生成提供全面且具有挑战性的数据支持。

使用方法

用户可以通过访问STAR数据集的官方页面获取数据集和相关工具包。数据集的预处理和使用方法在官方文档中有详细说明，用户需要按照指南进行数据下载和安装必要的工具包。此外，数据集的评估指标和结果在METRICS.md文件中有详细说明，便于用户对模型性能进行评估。

背景与挑战

背景概述

STAR数据集的构建旨在推进卫星图像中场景图生成的研究，这是一个在地理空间场景理解中至关重要的领域。该数据集由Li Yansheng等研究人员于2024年创建，并在IEEE Transactions on Pattern Analysis and Machine Intelligence期刊上发表了相关论文。STAR数据集的特点是包含了大规模的高分辨率卫星图像，图像大小从512 × 768像素到27,860 × 31,096像素不等，共包含超过21万个物体和40万个三元组（subject, relationship, object），为大规模卫星图像的场景图生成提供了前所未有的数据资源。该数据集的发布对于推动大规模卫星图像分析技术的发展具有重要的科研价值。

当前挑战

STAR数据集的构建和利用面临诸多挑战。首先，大规模卫星图像中的物体尺度变化和方位比例的多样性使得场景图生成任务复杂化。其次，由于卫星图像中物体之间丰富的长距离上下文关系，传统的针对小尺寸自然图像的场景图生成模型无法直接应用。此外，数据集构建过程中如何确保标注的质量和一致性，以及如何有效地处理大规模数据，都是需要克服的重要问题。STAR数据集的研究者们提出了一个面向场景图生成的上下文感知级联认知框架，以应对这些挑战，但目前该数据集的应用和模型改进仍在持续探索中。

常用场景

经典使用场景

STAR数据集作为首个大规模卫星图像场景图生成数据集，其经典使用场景在于为远程感知卫星图像中的对象检测、成对修剪及关系预测提供详尽的标注数据，支持大规模场景图生成任务的研究与应用。该数据集通过其独特的图像尺寸范围，为长距离上下文推理提供了丰富的数据支持，使得研究者能够更好地理解并处理大型高分辨率卫星图像中的复杂场景。

解决学术问题

STAR数据集解决了卫星图像中大规模场景图生成缺乏数据的问题，为学术研究提供了首个大规模的卫星图像场景图数据集。它有助于模型更好地理解和表示卫星图像中的对象及其相互关系，特别是在处理大型卫星图像时，为长距离依赖关系的学习提供了重要支持，从而提高了卫星图像解析的准确性和效率。

实际应用

在实际应用中，STAR数据集可用于改善卫星图像解析技术，进而促进地理信息系统的智能化。它能够支持农业监测、城市规划、灾害评估等多个领域，通过准确识别和描述卫星图像中的对象及其关系，为决策者提供重要的地理信息，增强卫星图像在现实世界问题解决中的应用价值。

数据集最近研究

最新研究方向

STAR数据集的构建，旨在推动卫星影像中场景图生成任务的发展。该数据集针对大型高分辨率卫星影像，包含超过21万个物体和40万个三元组，为场景图生成任务提供了丰富的数据基础。近期研究聚焦于提出了一种面向场景图生成的上下文感知级联认知（CAC）框架，以应对卫星影像中物体检测、成对修剪和关系预测的挑战。此外，研究者们还开源了一个面向卫星影像的场景图生成工具包，包含约30种物体检测方法和10种场景图生成方法，这些方法需进一步适应STAR数据集的挑战性。该研究对于推动大规模卫星影像的场景理解具有显著意义，有助于促进遥感技术在地理空间场景理解中的应用。