Chengdu UHR dataset

成都UHR数据集是由成都理工大学与中国科学院联合构建的超高分辨率城市绿地提取专用数据集。该数据集包含7700个经人工精细标注的512×512图像块，数据源自2020年获取的77幅Google Earth RGB镶嵌影像，空间分辨率达0.27米，并配合同期Sentinel-2影像衍生的10米分辨率NDVI层。数据集通过严格的分割前裁剪协议生成，确保训练与验证样本间无空间重叠泄露，标注类别融合树木、草坪等植被要素为前景绿地。该数据集专为城市绿地精细分割任务设计，旨在解决超高分辨率影像中植被碎片化边界、阴影干扰及类内差异大等挑战，推动遥感影像智能解译算法的发展。The Chengdu UHR Dataset is a specialized dataset dedicated to ultra-high resolution urban green space extraction, jointly developed by Chengdu University of Technology and the Chinese Academy of Sciences. It contains 7700 manually meticulously annotated 512×512 image patches, which are derived from 77 Google Earth RGB mosaic images acquired in 2020 with a spatial resolution of 0.27 meters, and is paired with a 10-meter resolution NDVI layer generated from concurrent Sentinel-2 images. The dataset is produced via a strict pre-segmentation cropping protocol to prevent spatial overlap leakage between training and validation samples. Its annotation categories merge vegetation elements including trees and lawns into foreground green space. Specifically designed for the fine-grained urban green space segmentation task, this dataset aims to address challenges such as fragmented vegetation boundaries, shadow interference and large intra-class differences in ultra-high resolution remote sensing images, and promote the development of intelligent remote sensing image interpretation algorithms.

原始信息汇总

数据集详情总结

• 数据集名称/来源：论文《GMBFormer: An NDVI-Guided Global Memory Bank Transformer for Urban Green-Space Extraction from Ultra-High-Resolution Imagery》中使用的两个数据集：
  1. 自建成都超高分辨率（UHR）数据集：包含 7,700 张标记好的 512 x 512 像素的图像块。
  2. 公共ISPRS Potsdam数据集：使用了该数据集的两个减少标签设置版本。
• 数据集任务：用于从超高分辨率遥感影像中提取城市绿地。
• 论文方法：提出 GMBFormer，一个基于 SegFormer 的框架，将 NDVI 解耦为物理信息门控，辅助 RGB 主干网络学习，并通过全局记忆库（global memory bank）进行基于相似性的原型检索，以实现语义复用。
• 性能结果（在相同训练和评估协议下）：
  • 成都UHR数据集：mIoU 89.25%，mDice 94.31%
  • ISPRS Potsdam（减少标签设置1）：mIoU 92.17%，mDice 95.92%
  • ISPRS Potsdam（减少标签设置2）：mIoU 83.72%，mDice 90.86%
• 相关实验：消融研究表明，解耦的NDVI准入、记忆检索、容量和动量共同决定了最终性能。

搜集汇总

数据集介绍

构建方式

面向超高清遥感影像的城市绿地提取任务，现有方法常受限于逐块处理的语义孤立性。为突破这一瓶颈，该数据集基于成都地区2020年获取的77景Google Earth RGB影像构建，空间分辨率约为0.27米。原始影像经裁剪、拼接、色彩校正及WGS-84投影后，生成4000×4000像素的基准图块，并利用Sentinel-2影像计算归一化植被指数（NDVI）作为辅助信道。标注阶段将树木、草坪等自然绿地合并为前景，其余地物归为背景，并设置忽略类像素。为消除空间重叠带来的数据泄露，采用先划分后裁剪的策略，将图块分配至训练集或验证集后，以25%重叠率生成512×512像素的样本块，最终获得7700张带标注的影像块，其中训练集6160张、验证集1540张。

特点

该数据集的核心特色在于其双流架构设计，将RGB视觉特征学习与NDVI物理先验知识进行了优雅的解耦。NDVI仅作为记忆写入的门控信号，不参与骨干网络的特征提取与解码过程，从而保护了预训练RGB模型的表征能力，避免了直接通道拼接带来的语义混淆。数据集中植被形态丰富多样，涵盖公园、道路绿带、庭院绿地及零散树冠等场景，且包含大面积阴影、人工草皮等干扰样本，对模型的鲁棒性提出了严苛挑战。此外，数据集在构建时采用了先划分后裁剪的严格协议，确保了训练集与验证集在空间上完全隔离，为评估模型的跨块语义复用能力提供了可靠基准。

使用方法

该数据集主要适用于超高清遥感影像的语义分割任务，尤其聚焦于城市绿地的精细化提取。用户可将RGB三通道影像输入任意语义分割模型，同时利用同步提供的NDVI通道作为辅助物理特征，用于指导全局记忆库的原型写入与检索。推荐使用GMBFormer框架，其核心流程为：RGB影像经MiT-B4骨干网络提取多层级特征，同时利用NDVI均值作为门控信号，筛选出高置信度的植被块，通过动量更新机制将原型向量写入固定容量的全局记忆库；在推理阶段，当前块的特征通过交叉注意力机制从记忆库中检索相似原型，增强后的特征送入SegFormer解码器生成分割结果。验证时，建议采用mIoU和mDice作为主要评估指标，重点关注模型在非连续块间识别语义相似植被模式的能力。

背景与挑战

背景概述

城市绿地作为调节气候、维持生物多样性与促进公共健康的关键生态要素，其精细提取对于生态评估与可持续规划具有深远意义。近年来，超高分辨率遥感影像为城市绿地的高精度制图提供了可能，然而其丰富的空间细节也引入了破碎的植被边界、阴影干扰以及强类内变异等复杂挑战。在此背景下，成都理工大学与中国科学院空天信息创新研究院的研究人员于2026年构建了Chengdu UHR数据集，该数据集基于2020年约0.27米空间分辨率的谷歌地球影像，包含7700张512×512像素的标注切片，旨在推动基于深度学习的城市绿地语义分割研究。该数据集的发布不仅填补了超高分辨率城市绿地专用数据集的空白，也为跨斑块语义重用与物理指数指导的分割方法提供了重要基准，显著促进了遥感智能解译领域的发展。

当前挑战

Chengdu UHR数据集所应对的核心挑战在于，传统基于图块的超高分辨率分割方法在处理空间分离但视觉相似的植被模式时，因缺乏跨斑块语义复用机制而性能受限。具体而言，其一，城市植被在不同光照、冠层结构、物候与尺度下呈现高度可变性，而阴影及类绿色不透水面易造成混淆，使得模型对植被的判别面临显著困难；其二，直接利用归一化植被指数作为额外输入通道虽能提供物理依据，却会模糊RGB外观学习与植被置信度估计的角色分工，干扰预训练主干网络的表征能力；其三，在构建过程中，由于NDVI源自10米分辨率的Sentinel-2影像，需与0.27米超高分辨率影像对齐，多尺度配准中的混合像元不确定性为数据集的谱间一致性带来了额外挑战，进而影响记忆写入门的可靠性与模型整体效能。

常用场景

经典使用场景

Chengdu UHR数据集是专为超高分遥感影像中城市绿地提取任务而构建的精细标注基准。该数据集包含7,700张512×512像素的影像切片，覆盖成都市区多样化的绿地形态，包括大型公园、狭长道路绿化带、零散庭院植被及密集建筑区内的稀疏绿植。其经典使用场景聚焦于基于深度学习语义分割模型的城市绿地精准提取，作为评估模型在复杂城市环境下分割能力的标准化测试平台，尤其用于验证跨切片语义重用机制的有效性。

衍生相关工作

Chengdu UHR数据集的发布催生了多项创新性研究工作。GMBFormer作为核心衍生工作，提出了NDVI引导的全局记忆库与记忆介导交叉注意力模块，实现了跨切片的语义原型检索与可分离的物理先验融合。该研究还通过超参数消融实验（如记忆容量、EMA动量、NDVI阈值）系统揭示了记忆机制的最佳配置。此外，该数据集的构建方法启发了后续跨分辨率NDVI融合策略、自适应记忆容量调整以及面向RGB-only影像的植被置信度估计等方向的研究。

数据集最近研究

最新研究方向

在超高分遥感影像的城市绿地提取领域，当前前沿研究方向聚焦于如何突破传统逐块处理的语义局限，通过引入全局记忆库与物理先验知识来增强跨块语义复用能力。GMBFormer方法正是这一趋势的代表，其创新性地将归一化植被指数从RGB特征学习中解耦，作为物理引导门控机制，仅用于筛选高置信度植被原型写入全局记忆库，并通过动量更新与跨注意力检索，使模型能够基于语义相似性而非空间邻接性跨块复用植被知识。该方法在自建成都超高分数据集与ISPRS Potsdam公共基准上均取得显著性能提升，不仅验证了记忆增强机制对异质城市绿地形态的鲁棒性，更揭示了物理指数与深度学习协同融合的新范式——将NDVI作为内存质量控制信号而非额外可学习特征，有效避免了RGB外观学习与植被置信度估计的纠缠。这一研究为精细城市生态评估提供了更可靠的遥感解译工具，也推动了超高分影像语义分割从局部逐块推理向全局记忆感知范式的演进。

相关研究论文

• GMBFormer: An NDVI-Guided Global Memory Bank Transformer for Urban Green-Space Extraction from Ultra-High-Resolution Imagery

  成都理工大学·地球物理学院; 中国科学院·空天信息创新研究院国家工程研究中心; 中国科学院大学 · 2026年