Million-AID|遥感图像数据集|场景分类数据集

Million-AID是一个新的、大规模的基准数据集，包含一百万个实例，用于遥感图像场景分类。

AI搜集汇总

数据集介绍

构建方式

Million-AID 数据集的构建采用了语义坐标收集策略和交互式注释方法。首先，通过利用公共地图搜索引擎、开源数据和公共地理数据库资源，收集了具有特定语义标签的地理坐标。然后，使用这些坐标从 Google Earth 中提取场景图像，并根据场景规模和分辨率，将图像分为不同的尺寸。最后，通过人工检查和删除操作，确保了场景图像的正确性和质量。

特点

Million-AID 数据集具有以下特点：1）多样性：每个场景类别中的图像都是从世界不同地区提取的，这大大增强了场景图像的内部多样性。同时，大规模的语义类别也提高了场景图像的类别间多样性。2）丰富性：Million-AID 数据集中的图像主要来自 Google Earth，这些图像来自不同的卫星，并具有广泛的分辨率。此外，还收集了在不同成像条件下拍摄的图像，以增加场景图像的丰富性。3）可扩展性：Million-AID 数据集的构建过程遵循半自动注释模式，可以有效地减少人工成本并确保标签质量。同时，构建的类别层次结构可以轻松地嵌入新的场景类别，这为数据集的扩展和持续可用性提供了保障。

使用方法

Million-AID 数据集可以用于场景分类、目标检测、语义分割和变化检测等遥感图像解释任务。使用数据集时，可以根据具体任务选择合适的场景类别和图像尺寸。同时，还可以利用数据集中的注释信息，对遥感图像进行语义分析和内容理解。

背景与挑战

背景概述

随着遥感（RS）图像解释技术的飞速发展及其在环境监测、资源调查、城市规划等领域的广泛应用，对RS图像的自动解释提出了更高的要求。Million-AID数据集正是在这一背景下创建的，它是一个大规模的RS图像场景分类基准数据集，包含了超过一百万个实例。该数据集由Yang Long等人创建，旨在解决现有RS图像数据集在规模、多样性和语义类别上的不足，为RS图像解释算法的研究和开发提供一个可靠的平台。

当前挑战

Million-AID数据集面临着一系列挑战，包括：1）构建过程中所遇到的挑战，例如，如何高效地准备一个适合RS图像解释的基准数据集，以及如何有效地收集和标注大规模的RS图像；2）RS图像解释领域的挑战，例如，如何提高算法的泛化能力，如何更好地表征真实世界场景中的特征分布，以及如何建立一个公平的比较平台，以评估和优化不同的解释算法。

常用场景

经典使用场景

Million-AID 数据集作为一个大规模的遥感图像场景分类数据集，其经典使用场景在于为遥感图像场景分类算法提供训练和测试数据。该数据集包含了100万张遥感图像，涵盖了51个场景类别，具有高多样性、丰富性和可扩展性，能够有效表征现实世界中的场景特征分布。通过使用 Million-AID 数据集，研究者可以训练出具有强大特征表示和泛化能力的场景分类模型，从而实现遥感图像的自动解释和内容理解。

衍生相关工作

Million-AID 数据集的构建和发布推动了遥感图像解释领域的相关研究。例如，一些研究者基于 Million-AID 数据集开展了场景分类算法的研究，提出了新的模型和方法，提高了算法的性能和效率。此外，一些研究者还基于 Million-AID 数据集开展了目标检测、语义分割等遥感图像解释任务的研究，为相关领域的发展提供了新的思路和方法。Million-AID 数据集的发布和应用，为遥感图像解释领域的研究和发展做出了重要贡献。

数据集最近研究

最新研究方向

Million-AID数据集的最新研究方向主要集中在如何创建一个具有高代表性和实用性的遥感图像解释基准数据集。该研究旨在解决当前遥感图像解释算法开发与实际应用之间存在差距的问题，特别是在数据驱动的深度学习方法中。Million-AID数据集的建设过程采用了半自动标注策略，包括语义坐标收集、场景图像获取以及半自动标注方法，以确保数据集的质量和效率。该数据集包含超过一百万个实例，涵盖了51个场景类别，并按照中国土地利用分类标准进行了组织，具有良好的实用性和可扩展性。Million-AID数据集的构建为遥感图像解释算法的开发和应用提供了新的思路和方法。

相关研究论文

• On Creating Benchmark Dataset for Aerial Image Interpretation: Reviews, Guidances and Million-AID

  · 2021年