Hyperspectral Remote Sensing Saliency Dataset (HRSSD)

HRSSD数据集是由北京理工大学和中国教育部光电成像技术与系统重点实验室共同创建的第一个高光谱遥感图像显著目标检测基准数据集。该数据集包含了704张高光谱图像和5327个像素级注释的显著目标。数据集的构建目的是为了推动高光谱遥感图像显著目标检测领域的研究，特别是解决大规模变化、多样的前景-背景关系以及多显著目标等挑战。数据集中的图像具有不同的地物覆盖类型和广泛的地物覆盖范围，为显著目标检测算法提供了实质性的挑战。

The HRSSD dataset is the first benchmark dataset for salient object detection in hyperspectral remote sensing images, jointly developed by Beijing Institute of Technology and the Key Laboratory of Optoelectronic Imaging Technology and System, Ministry of Education of China. It consists of 704 hyperspectral images and 5327 pixel-level annotated salient objects. The dataset is designed to advance research in the field of salient object detection for hyperspectral remote sensing images, particularly to address challenges including large-scale variations, diverse foreground-background relationships, and multiple salient objects. The images in the dataset cover diverse land cover types and a broad range of land cover scenarios, posing substantial challenges for salient object detection algorithms.

搜集汇总

数据集介绍

构建方式

HRSSD数据集构建过程严谨而系统，基于WHU-OHS数据集精选704幅高光谱遥感图像，涵盖466-940nm波长范围的32个光谱通道，空间分辨率为512×512像素。通过三步筛选机制确保数据质量：首先基于空间对比度保留显著前景-背景边界清晰的图像；其次通过光谱分析剔除光谱响应相似的样本；最后由五名标注者采用投票机制确定最终入选图像。数据标注采用像素级策略，区分背景(0)、前景(1)和混合光谱边界(-1)三类标签，最终形成包含5327个标注显著对象的高质量数据集。

使用方法

该数据集支持端到端的监督学习范式，输入为32通道高光谱立方体数据，输出为单通道显著性概率图。建议采用五折交叉验证或按5:2比例划分训练测试集。数据预处理需注意将原始辐射值缩放1/10000以保持辐射特性，可采用随机水平翻转和裁剪进行数据增强。评估指标推荐组合使用MAE、Fβ、Eξ和Sα四项指标，其中Fβ通过β²=0.3加权平衡精确率与召回率。针对多显著对象场景，建议采用像素级注意力机制和分层特征融合策略以提升检测性能。

背景与挑战

背景概述

HRSSD（高光谱遥感显著目标检测数据集）由北京理工大学的刘培福、白慧妍等研究人员于2021年提出，是首个针对高光谱遥感图像显著目标检测任务的基准数据集。该数据集包含704幅空间分辨率为512×512像素、覆盖466-940nm波长范围的32通道高光谱图像，并标注了5327个像素级显著目标。其核心研究在于解决传统RGB图像在光谱对比度不足场景下的检测局限，通过利用高光谱图像独特的光谱特征差异，显著提升了军事侦察、矿物勘探等遥感应用中的目标识别精度。该数据集的建立填补了高光谱遥感显著检测领域的数据空白，为相关算法研究提供了重要基准。

当前挑战

HRSSD数据集面临三大核心挑战：1) 目标尺度变异问题，同一地物在不同空间分辨率下呈现数量级差异（如湿地与水库的像素占比差异达10^4倍），要求算法具备多尺度建模能力；2) 动态前景-背景关系，相同地物在不同场景中可能互为前景/背景（如城市建筑区与农田的角色反转），需建立上下文感知的光谱判别机制；3) 多目标检测复杂性，90%图像包含空间分布不均的多个显著目标，现有方法易产生目标粘连或漏检。数据构建过程中，研究团队需通过专家投票机制筛选具有显著光谱差异的样本，并开发特殊标注策略处理混合光谱边界区域。

常用场景

经典使用场景

HRSSD数据集在高光谱遥感图像显著目标检测（HRSI-SOD）领域具有广泛的应用价值。该数据集包含704幅高光谱图像和5327个像素级标注的显著目标，涵盖了大规模变化、多样的前景-背景关系以及多显著目标等复杂场景。研究者可利用HRSSD数据集开发和评估新型显著目标检测算法，特别是在处理高光谱图像中光谱特征与空间特征相结合的挑战性任务时，该数据集提供了丰富的实验素材。

解决学术问题

HRSSD数据集解决了高光谱遥感图像显著目标检测领域的关键学术问题。首先，它填补了该领域专用数据集的空白，为研究者提供了标准化的评估基准。其次，数据集中的复杂场景（如尺度变化、多目标干扰等）推动了算法在特征提取、多尺度融合和光谱-空间联合建模等方面的创新。此外，该数据集还促进了深度学习模型在高光谱图像处理中的应用，为解决实际遥感问题提供了新的研究思路。

实际应用

HRSSD数据集在实际应用中展现出重要价值。在军事防御领域，该数据集可用于开发目标识别系统，提升对伪装目标的检测能力。在矿产资源勘探中，基于该数据集训练的模型能够有效识别地表矿物的光谱特征。此外，在大气监测和环境保护方面，HRSSD支持开发自动化监测系统，用于追踪污染源和评估生态变化。这些应用充分体现了高光谱数据在遥感领域的独特优势。

数据集最近研究

最新研究方向

近年来，高光谱遥感显著目标检测（HRSI-SOD）领域的研究取得了显著进展，特别是在数据集构建和算法设计方面。HRSSD数据集作为该领域的首个基准数据集，填补了高光谱遥感显著目标检测专用数据集的空白，推动了相关研究的发展。当前的研究方向主要集中在以下几个方面：一是多尺度特征融合技术，以应对遥感图像中目标尺寸变化大的挑战；二是跨模态特征学习，结合空间和光谱信息提升检测精度；三是基于注意力机制的像素级显著性评估，用于处理复杂背景下的多目标检测问题。这些研究方向不仅解决了传统方法在适应性、判别力和多目标处理方面的局限性，还为军事防御、矿物测绘等实际应用提供了更可靠的技术支持。

相关研究论文

• Hyperspectral Remote Sensing Images Salient Object Detection: The First Benchmark Dataset and Baseline

  北京理工大学，中国教育部光电成像技术与系统重点实验室 · 2025年