Large-scale Small-change Multi-modal Dataset (LSMD)

LSMD是由安徽大学团队构建的双时相RGB-NIR多模态建筑变化检测基准数据集，聚焦大场景下的小目标变化检测难题。该数据集包含8000对高精度配准的双波段图像对，每对图像均同步采集可见光与近红外数据，空间分辨率达亚米级。数据采集严格模拟真实遥感监测场景，特别关注变化比例低于2%的稀疏变化样本，以及植被覆盖下的微小建筑变化。通过多光谱物理响应差异，为复杂城市场景中的精细变化检测提供了光谱互补性强的研究平台，可有效支持城市规划、灾害评估等应用。LSMD is a benchmark dataset for bi-temporal RGB-NIR multimodal building change detection, developed by the research team from Anhui University, which focuses on the challenge of small-object change detection in large-scale scenes. This dataset includes 8000 pairs of high-precision registered dual-band image pairs, where each pair synchronously acquires visible light and near-infrared data, with a spatial resolution reaching the sub-meter level. The data collection strictly simulates real remote sensing monitoring scenarios, with particular emphasis on sparse change samples with a change proportion lower than 2%, as well as subtle building changes covered by vegetation. By utilizing the differences in multispectral physical responses, it provides a research platform with strong spectral complementarity for fine-grained change detection in complex urban scenarios, and can effectively support applications such as urban planning and disaster assessment.

搜集汇总

数据集介绍

构建方式

在遥感变化检测领域，针对单模态数据在复杂环境中易受光照和季节变化干扰的局限性，LSMD数据集通过整合高分辨率双时相RGB与近红外影像，构建了一个专注于大场景下细微建筑物变化的多模态基准。该数据集以中国武汉典型城乡复合区域为研究区，利用高分二号卫星于2016年和2023年采集的影像，经过辐射校正、几何配准和归一化处理后，采用固定尺寸滑动窗口裁剪获得8000对样本。为确保数据贴近实际监测中变化区域的空间稀疏性，构建过程中刻意增加了变化比例低于2%的细微建筑物变化样本比例，并通过人工精细勾画变化区域生成标注，最终按7:1:2的比例划分为训练集、验证集和测试集。

使用方法

LSMD数据集为多模态变化检测算法的开发与评估提供了统一框架。研究者可利用该数据集训练和验证模型在RGB、近红外单模态及双模态融合输入下的性能，特别适用于评估算法对细微建筑物变化的检测能力与抗干扰性。典型使用流程包括：加载配准后的双时相RGB-NIR图像对及二值变化标注；采用通道拼接或专用融合模块整合多模态信息；通过卷积神经网络或Transformer架构提取时空特征并计算变化差异；最终输出像素级变化概率图。数据集中包含的大比例细微变化样本有助于推动模型在类别不平衡和空间稀疏性条件下的优化，而提供的多模态基线方法MSCNet则展示了通过邻域上下文增强、跨模态对齐与显著性感知细化等模块实现深度特征融合的有效范式。

背景与挑战

背景概述

遥感变化检测作为地表动态监测的核心技术，在城市化进程加速的背景下，针对建筑物新建、拆除与扩建的精细化识别已成为高分辨率遥感解译领域的关键任务。然而，传统基于单模态RGB影像的方法易受光照波动、季节变迁及地表材质变异的影响，导致伪变化频发与特征语义模糊。为突破光谱局限，多模态信息融合应运而生，其中近红外波段因与可见光同步采集且具备互补的物理响应机制，为增强建筑物材质与细微结构的可区分性提供了新途径。在此背景下，安徽大学联合多所高校研究团队于2026年正式发布了大规模小变化多模态数据集LSMD，该数据集聚焦真实场景中的小尺度建筑物变化，提供高分辨率、精准配准的双时相RGB-NIR影像，旨在为复杂环境下的多模态变化检测方法评估建立 rigorous 的基准平台，推动该领域向更精细、更稳健的方向发展。

当前挑战

LSMD数据集致力于解决遥感建筑物变化检测中的两大核心挑战：一是大场景中小尺度变化的精准定位，真实广域遥感影像中变化区域通常呈现‘背景广阔、变化稀疏’的分布特性，现有数据集往往包含高比例变化样本，导致模型过度依赖强空间先验，而LSMD通过严格控制变化区域比例、重点纳入变化率低于2%的样本，模拟了极端类别不平衡与空间稀疏性，显著提升了检测任务难度，要求模型具备在复杂背景中精确定位微小目标的能力。二是植被背景下隐蔽建筑物的可靠识别，城市化进程中大量新建小型建筑直接建于草地、林地等自然地表，其在RGB影像中缺乏显著上下文结构信息，易被复杂背景遮蔽，而近红外波段对植被与建筑材料反射特性的差异为区分此类目标提供了关键物理线索。此外，在数据集构建过程中，确保双时相多模态影像间的高精度像素级配准、维持影像的高空间分辨率与真实物理特性，并避免引入几何失真与模态对齐误差，亦是保障数据质量与可用性的重要技术挑战。

常用场景

经典使用场景

在遥感影像变化检测领域，LSMD数据集以其高分辨率、双时相RGB-NIR多模态特性，为研究大规模场景下微小建筑物变化提供了经典测试平台。该数据集聚焦于城市扩张与更新过程中的精细变化，如新建、拆除或扩建的建筑物，尤其在植被覆盖背景下的小型结构变化。通过提供精确配准的RGB与近红外影像对，LSMD支持模型在复杂光照、季节变化及地表材料差异等挑战下，实现跨模态特征的有效融合与互补，从而提升对微小目标的检测精度与鲁棒性。

解决学术问题

LSMD数据集主要解决了遥感变化检测中因单一模态信息不足导致的语义模糊与伪变化问题。传统RGB影像易受光照波动、植被物候变化影响，难以区分真实建筑物变化与背景干扰。通过引入近红外波段，该数据集提供了与可见光互补的异质物理线索，增强了建筑物材料与微小结构的光谱可分性。此外，数据集强调大规模场景中稀疏分布的微小变化，模拟了真实监测中的极端类别不平衡，推动了模型在精细粒度变化感知、跨模态对齐与特征交互方面的学术探索，为多模态变化检测方法的发展奠定了数据基础。

实际应用

LSMD数据集的实际应用价值体现在城市动态监测、土地资源管理与灾害评估等领域。在城市规划中，该数据集支持对新建建筑物、非法扩建或拆除活动的自动化检测，尤其适用于植被茂密区域的小型建筑识别。在土地资源管理中，其能够追踪农田转为建设用地的细微变化，辅助政策制定与合规审查。此外，在灾后评估中，近红外信息有助于穿透烟雾或阴影，快速定位受损建筑。数据集的高分辨率与真实场景覆盖，确保了模型在工程部署中具备较强的泛化能力与实用性。

数据集最近研究

最新研究方向

在遥感变化检测领域，LSMD数据集的推出标志着多模态协同感知研究正迈向精细化与实用化新阶段。该数据集聚焦于大规模场景下微小建筑物变化的精准识别，通过提供高分辨率、严格配准的双时相RGB-NIR影像，有效应对了单一模态数据在复杂环境中易受光照、季节变化干扰的固有局限。当前前沿研究主要围绕多模态光谱互补机制的深度挖掘展开，例如基于跨模态对齐与交互的融合网络架构设计，旨在充分利用可见光与近红外在物理响应机制上的异构性，增强对植被遮蔽下微小结构变化的判别能力。同时，结合大规模基础模型生成的语义先验进行显著性引导的特征优化，也成为提升模型在极端类不平衡场景下泛化性能的研究热点。这些进展不仅推动了高分辨率遥感影像解译技术向更精细、更鲁棒的方向演进，也为智慧城市动态监测、灾害评估等实际应用提供了更为可靠的技术支撑。

相关研究论文

• Multi-Modal Building Change Detection for Large-Scale Small Changes: Benchmark and Baseline

  安徽大学·计算机科学与技术学院; 安徽理工大学·公共安全与应急管理学院; 南洋理工大学·计算与数据科学学院; 陕西科技大学·人工智能联合实验室; 西安交通大学·软件工程学院; 东京大学·前沿科学研究生院 · 2026年