blanchon/RESISC45

RESISC45数据集是一个专注于遥感图像场景分类的数据集，包含从Google Earth提取的RGB图像。该数据集共有31,500张图像，每张图像的分辨率为256x256像素，涵盖45种不同的场景类别，每个类别有700张图像。这些图像来自超过100个国家，特别优化了图像条件的高变异性，包括空间分辨率、遮挡、天气、光照等。RESISC45的空间分辨率范围从20厘米到超过30米/像素。

原始信息汇总

遥感图像场景分类数据集 (RESISC45)

描述

RESISC45 数据集是一个专注于 RGB 图像的场景分类数据集，这些图像通过 Google Earth 提取。该数据集包含总共 31,500 张图像，每张图像的分辨率为 256x256 像素。RESISC45 包含 45 个不同的场景类别，每个类别有 700 张图像。这些图像收集自 100 多个国家，并特别选择以优化图像条件的高变异性，包括空间分辨率、遮挡、天气、光照等。RESISC45 的一个显著特点是其空间分辨率范围从 20cm 到超过 30m/px。

结构

tree . ├── README.md └── data    ├── airplane    │   ├── airplane_1.jpg    │   ├── ...    │   └── airplane_700.jpg    ├── airport    ├── baseball_diamond    ├── beach    ├── ...    └── wetland

统计信息

• 总图像数: 31,500
• 图像分辨率: 256x256 像素
• 场景类别: 45
• 数据集大小: 约 0.47GB

引用

如果您在研究中使用 RESISC45 数据集，请考虑引用以下出版物或数据集的官方网站：

bibtex @article{cheng2017remote, title = {Remote sensing image scene classification: Benchmark and state of the art}, author = {Cheng, Gong and Han, Junwei and Lu, Xiaoqiang}, journal = {Proceedings of the IEEE}, volume = {105}, number = {10}, pages = {1865-1883}, year = {2017}, publisher = {IEEE} }

搜集汇总

数据集介绍

构建方式

在遥感影像场景分类领域，RESISC45数据集的构建体现了严谨的科学方法论。该数据集通过Google Earth平台采集了来自全球超过100个国家的RGB影像，总计包含31,500张图像，每张图像统一处理为256x256像素的分辨率。构建过程中，研究者精心选择了45个不同的场景类别，每个类别均包含700张样本，确保了类别的均衡性。影像的采集特别注重多样化的地理环境与成像条件，涵盖了从20厘米到超过30米每像素的空间分辨率变化，以及不同的遮挡、天气和光照状况，从而构建了一个具有高度变异性和代表性的遥感影像基准数据集。

特点

RESISC45数据集的核心特点在于其广泛的覆盖范围和内在的多样性。数据集囊括了45类典型的遥感场景，如飞机、机场、海滩等，每类700张图像，总计31,500张，形成了规模适中但内容丰富的集合。其显著特征体现在影像条件的高度变异性上，包括空间分辨率的大范围跨度、不同天气与光照的影响，以及场景中可能存在的遮挡物，这些因素共同模拟了真实世界遥感应用中的复杂挑战。此外，数据均来源于实际地理环境，增强了其在算法测试与模型泛化能力评估方面的实用价值与权威性。

使用方法

该数据集主要用于推动遥感影像场景分类算法的研究与发展。研究者可将其作为标准基准，用于训练和评估深度学习模型，如图像分类网络。典型的使用流程包括将数据集按比例划分为训练集、验证集和测试集，以进行模型学习与性能评测。由于其结构清晰——图像按场景类别存放于独立文件夹中，便于直接加载并进行数据预处理。在学术工作中，使用该数据集应遵循规范，引用其相关的原始文献，以确保研究的可复现性与学术严谨性，从而有效促进该领域的技术进步与知识积累。

背景与挑战

背景概述

遥感图像场景分类作为地理信息科学和计算机视觉交叉领域的关键任务，其核心在于从卫星或航空影像中自动识别地表场景类别，为城市规划、环境监测和灾害评估等应用提供数据支撑。RESISC45数据集由中国科学院自动化研究所的程恭、韩俊伟和卢小强等研究人员于2017年构建，旨在解决遥感影像中因视角、分辨率、光照和遮挡等因素导致的场景识别难题。该数据集包含来自全球100多个国家和地区的31,500张图像，涵盖45类典型地物场景，每类提供700张256x256像素的样本，以其高度的多样性和复杂性迅速成为该领域的基准测试集，显著推动了深度学习模型在遥感图像解译中的发展与应用。

当前挑战

RESISC45数据集致力于应对遥感图像场景分类中的核心挑战，即如何在影像条件高度变异的情况下实现精准的场景识别。具体而言，数据集中图像的空间分辨率跨度从20厘米至30米以上，且受天气、光照、季节变化及部分遮挡等因素干扰，要求模型具备强大的泛化与鲁棒性。在构建过程中，研究人员面临采集与标注的艰巨任务，需从谷歌地球平台筛选覆盖全球多样地理区域的图像，并确保每类场景在视觉内容和语义上的一致性，同时克服因图像来源广泛所带来的分辨率不均、色彩失真及标注主观性等难题，这些因素共同构成了数据集构建与算法评估中的关键障碍。

常用场景

经典使用场景

在遥感图像分析领域，RESISC45数据集作为场景分类的基准工具，常被用于评估深度学习模型在复杂地理环境下的识别能力。其涵盖的45类场景，如机场、海滩和湿地等，模拟了真实世界中的高变异性，包括分辨率差异和光照变化，为模型鲁棒性测试提供了理想平台。研究者通过该数据集训练卷积神经网络，探索多尺度特征提取与跨域泛化性能，推动了遥感图像解译技术的进步。

实际应用

在实际应用中，RESISC45数据集支撑了城市规划、环境监测和灾害评估等多个关键领域。例如，基于该数据集训练的模型可用于自动识别城市扩张中的建筑类型，或监测沿海区域的湿地变化，辅助决策者进行资源管理。其高变异性图像还能优化卫星影像分析流程，提升农业估产、森林砍伐检测等任务的效率，为地理信息系统提供可靠的技术支持。

衍生相关工作

围绕RESISC45数据集，衍生了一系列经典研究工作，如Cheng等人提出的基准论文系统评估了多种深度学习方法的性能。后续研究在此基础上探索了注意力机制、生成对抗网络用于数据增强，以及跨模态融合技术。这些工作不仅推动了遥感场景分类的state-of-the-art，还激发了如Few-shot遥感分类、无监督域适应等新兴课题，持续丰富着该领域的学术生态。