FAIR1M

FAIR1M数据集是由中国科学院航空信息研究所创建的，用于高分辨率遥感图像中的细粒度目标识别。该数据集包含超过15,000张图像和100万个实例，图像分辨率为0.3m至0.8m，覆盖多个国家和地区。FAIR1M数据集通过定向边界框对5个类别和37个子类别的目标进行标注，具有大规模、丰富的细粒度类别信息、地理信息和高质量图像等特点。该数据集旨在推动遥感图像中细粒度目标检测和视觉分类的研究，解决实际应用中的挑战。

The FAIR1M dataset was developed by the Aviation Data Information Research Institute of the Chinese Academy of Sciences for fine-grained object recognition in high-resolution remote sensing images. This dataset contains over 15,000 images and 1 million annotated instances, with image resolutions ranging from 0.3m to 0.8m, and covers multiple countries and regions. FAIR1M annotates objects across 5 main categories and 37 sub-categories using oriented bounding boxes, and is characterized by large scale, rich fine-grained category information, geospatial information, and high-quality imagery. This dataset aims to promote research on fine-grained object detection and visual classification in remote sensing images, and address challenges in practical applications.

搜集汇总

数据集介绍

构建方式

在遥感影像精细目标识别领域，构建高质量数据集是推动算法发展的关键。FAIR1M数据集通过整合高分卫星与Google Earth平台获取的高分辨率影像，覆盖全球多个大洲的民用机场、港口及城市区域，确保了地理分布的广泛性与场景多样性。影像经过严格的质量筛选与预处理，包括云层与噪声剔除、多时相影像的区块调整、全色与多光谱影像的融合增强以及色调均衡化处理，最终形成超过1.5万张影像、逾百万个实例的大规模数据集合。所有目标均采用旋转边界框进行标注，涵盖5个大类与37个细分子类，标注过程经过多轮专家校验，保证了空间定位与类别信息的精确性。

特点

FAIR1M数据集在遥感目标检测领域展现出鲜明的特色。其规模显著超越现有同类数据集，实例数量突破百万，影像数量逾万，为模型训练提供了充分的多样性。数据集中包含丰富的细粒度类别信息，例如飞机类别下细分出波音737、空客A320等10种子类，船舶与车辆也依据功能划分为多个精细类型，紧密贴合实际应用需求。影像具有显著的多尺度与多方向特性，目标尺寸与角度变化范围广泛，且同一类别内存在高类内差异与类间相似性，增加了识别难度。此外，数据集中密集分布的目标场景、复杂背景干扰以及包含经纬度、分辨率等多维地理信息，进一步提升了数据集的实用价值与挑战性。

使用方法

FAIR1M数据集为高分辨率遥感影像中的精细目标检测与识别研究提供了标准化的评估基准。研究者可将影像裁剪为固定尺寸的切片输入检测网络，支持水平与旋转边界框两种检测任务。数据集已划分为训练集、验证集与测试集，其中测试集可通过在线评估服务器提交预测结果以获取性能指标。为促进细粒度识别研究，数据集中提取并构建了飞机、船舶与车辆三个独立的细粒度图像分类子集。评估时可采用提出的细粒度交并比与平均精度均值等专用指标，以更精准地衡量模型在类别区分上的性能。多项前沿检测与分类算法已在数据集上建立基线性能，为后续研究提供了可靠的对比参照。

背景与挑战

背景概述

随着深度学习技术的飞速发展，遥感图像中的细粒度目标识别成为地球观测领域的关键研究方向。FAIR1M数据集由中国科学院空天信息创新研究院等机构于2021年联合创建，旨在解决高分辨率遥感影像中细粒度目标检测与识别的核心问题。该数据集包含超过1.5万张图像和百万级实例，涵盖飞机、船舶、车辆、运动场及道路五大类别下的37个子类，并采用旋转边界框进行精细化标注。其大规模、多源数据采集及地理信息集成特性，显著推动了遥感图像解译算法在复杂场景下的泛化能力与实用化进程，为相关领域提供了重要的基准支撑。

当前挑战

FAIR1M数据集致力于解决遥感图像中细粒度目标识别的核心挑战，包括目标尺度与方向的高度多样性、类内差异大而类间相似性高、以及密集场景下目标遮挡与背景干扰等问题。在构建过程中，研究团队面临多重困难：首先，需从高分卫星与谷歌地球平台采集跨洲际、多时空的高质量影像，并经过严格的数据清洗以消除云层、噪声等因素的影响；其次，针对37个子类的细粒度标注需要遥感领域专家参与，通过多阶段质量控制确保旋转边界框的位置、类别与方向精度；此外，数据集中实例分布不均衡、少数类别样本稀缺，以及多分辨率图像的统一处理，均为数据集构建增添了复杂性。

常用场景

经典使用场景

在遥感图像分析领域，FAIR1M数据集作为精细粒度目标识别的基准，广泛应用于高分辨率遥感影像中的多类别目标检测与分类研究。该数据集通过提供超过百万个实例和37个子类别的定向边界框标注，为深度学习模型在复杂场景下的性能评估提供了标准化的测试平台。其经典使用场景包括在机场、港口和城市区域中，对飞机、船舶、车辆等移动目标进行细粒度识别，以验证算法在目标尺寸、方向和背景多样性方面的鲁棒性。

衍生相关工作

基于FAIR1M数据集，研究者们衍生了一系列经典工作，主要集中在改进精细粒度目标检测的深度学习架构上。例如，级联分层目标检测网络（CHODNet）被提出以利用数据集的层次类别结构，提升细粒度分类精度。此外，该数据集还促进了方向敏感检测算法（如ROI Transformer和Gliding Vertex）的优化，并在少样本学习、跨数据集验证等领域催生了新的研究方法。这些工作不仅推动了遥感图像分析技术的发展，还为其他精细粒度识别任务提供了可借鉴的框架。

数据集最近研究

最新研究方向

在遥感影像精细目标识别领域，FAIR1M数据集作为当前规模最大、标注最精细的基准数据集，正推动着多个前沿研究方向的发展。其超过百万实例和37个子类别的精细标注，为深度学习模型在复杂场景下的泛化能力提供了严峻考验。近期研究聚焦于多尺度与旋转不变性检测算法的优化，以应对数据集中目标尺寸、方向的高度多样性；同时，层级式检测网络架构成为热点，通过粗粒度到细粒度的级联识别策略，显著提升了对相似子类别的区分能力。此外，结合地理信息（如经纬度、分辨率）的时空分析模型开始兴起，旨在利用数据集中蕴含的多时相特性，探索目标在季节与环境变化中的动态识别。这些进展不仅深化了对高分辨率遥感影像的理解，也为智慧城市、交通规划等实际应用提供了更为可靠的技术支撑。

相关研究论文

• FAIR1M: A Benchmark Dataset for Fine-grained Object Recognition in High-Resolution Remote Sensing Imagery

  中国科学院航空信息研究所 · 2021年