S-EO 数据集

S-EO数据集是一个大规模、高分辨率的公共数据集，由乌拉圭共和国工程学院等机构创建，包含702个地理参照瓦片，覆盖美国各地，每个瓦片面积为500×500米。该数据集由多日期、多角度的世界观测-3卫星影像组成，并提供了由美国地质调查局LiDAR扫描得到的数字表面模型。数据集还提供了基于几何和太阳位置的阴影掩模、基于NDVI指数的植被掩模和捆绑调整的RPC模型。S-EO数据集旨在推动遥感影像中的阴影检测和基于阴影的3D重建研究。

The S-EO dataset is a large-scale, high-resolution public dataset developed by institutions including the School of Engineering of the University of the Republic of Uruguay and other relevant organizations. It contains 702 georeferenced tiles covering the United States, with each tile spanning an area of 500×500 meters. This dataset comprises multi-temporal and multi-angle WorldView-3 satellite imagery, and also provides digital surface models (DSMs) generated from LiDAR scans conducted by the U.S. Geological Survey (USGS). Additionally, the dataset offers shadow masks based on geometric and solar position data, vegetation masks calculated using the Normalized Difference Vegetation Index (NDVI), as well as RPC (Rational Polynomial Coefficient) models with bundle adjustment. The S-EO dataset aims to advance research on shadow detection in remote sensing imagery and shadow-based 3D reconstruction.

搜集汇总

数据集介绍

构建方式

S-EO数据集作为遥感应用中几何感知阴影检测的大规模资源，其构建过程体现了高度的系统性和技术严谨性。数据集基于公开领域的WorldView-3卫星影像和美国地质调查局（USGS）的LiDAR扫描数据，通过自动化流程生成阴影掩膜。具体而言，首先利用LiDAR数据获取数字表面模型（DSM），结合太阳位置信息，采用改进的Bresenham算法进行阴影投射计算，并通过RPC模型将阴影精确投影至卫星影像坐标。该流程包含子像素级DSM采样和基于高程差的动态遮挡判定，最终通过后处理消除伪影，确保了标注的几何一致性。数据集覆盖美国杰克逊维尔、奥马哈和圣迭戈三地共702个500×500米的地理参考区域，包含多日期、多角度的19,162张高分辨率影像及对应标注。

特点

S-EO数据集的突出特点在于其多维度的数据完备性与几何精确性。作为目前最大的公开遥感阴影数据集，它提供30厘米分辨率的全色/RGB影像、50厘米网格的DSM（含最小/最大高程聚合版本）、基于NDVI的植被掩膜，以及通过严格物理模型生成的阴影掩膜。数据样本涵盖城市布局、植被类型和气候的多样性，包括雪地等挑战性场景。独特的Min-Max双DSM设计有效缓解了薄结构物体（如树木）对阴影标注的干扰，同时通过阴影投射算法与真实太阳方位的耦合，实现了阴影与三维场景几何的精确对应。这种基于物理的标注方法突破了传统人工标注的规模限制，为阴影检测算法提供了可靠的几何监督信号。

使用方法

该数据集为阴影检测与三维重建任务提供了标准化研究平台。用户可通过分块加载512×512像素的影像-掩膜对，直接用于卷积神经网络的训练，推荐采用U-Net等架构并辅以焦距损失函数优化。针对阴影检测任务，建议利用Min-Max双掩模的一致性区域进行监督以降低系统偏差。在三维重建领域，数据集提供的DSM与阴影掩膜可集成至EO-NeRF等神经辐射场框架，通过阴影渲染约束提升几何精度。数据已预配准并包含束调整后的RPC参数，支持端到端的多视角几何分析。对于跨域迁移学习，研究者可采用论文提出的两阶段色彩校正流程（分位数裁剪与直方图均衡化）处理异源遥感数据。所有数据及处理代码均已开源，确保研究可复现性。

背景与挑战

背景概述

S-EO数据集由El´ıas Masquil等研究人员于2025年提出，是一个专注于遥感应用中几何感知阴影检测的大规模高分辨率数据集。该数据集源自公共领域的多源数据，包括WorldView-3卫星影像和美国地质调查局（USGS）的LiDAR扫描数据，覆盖美国三个城市的702个地理参考区域，每个区域面积为500×500米。S-EO数据集包含约20,000幅多日期、多角度的影像，以及通过几何和太阳位置自动生成的阴影掩膜、植被掩膜和数字表面模型（DSM）。该数据集的建立旨在解决遥感影像中阴影检测的难题，并为三维重建等应用提供重要支持。

当前挑战

S-EO数据集面临的挑战主要包括两方面：领域问题的挑战和构建过程的挑战。在领域问题方面，阴影检测在遥感影像中具有复杂性，阴影可能掩盖场景细节，同时也包含物体形状和空间关系的重要信息，准确检测阴影对场景理解至关重要。在构建过程中，自动生成阴影掩膜依赖于DSM和太阳位置，但DSM与卫星影像的采集时间差异可能导致建筑物或临时物体的不一致，从而引入噪声。此外，DSM的局限性使得无法准确处理电力线或桥梁等中空结构的阴影，这些因素共同增加了数据标注和模型训练的难度。

常用场景

经典使用场景

在遥感影像分析领域，S-EO数据集为几何感知阴影检测提供了大规模、高分辨率的训练资源。其多角度、多日期的WorldView-3影像与LiDAR衍生的数字表面模型（DSM）相结合，使得该数据集特别适用于研究阴影与三维场景几何的关联性。例如，通过自动生成的阴影掩膜和太阳位置数据，研究者能够开发算法以区分建筑物阴影与自然地形阴影，进而优化城市三维建模的精度。

衍生相关工作

S-EO数据集催生了多项阴影感知三维重建的创新工作。最具代表性的是对EO-NeRF框架的扩展，通过引入阴影监督损失函数，将阴影掩膜预测融入神经辐射场优化过程，显著提升了卫星影像三维重建的几何精度。此外，基于该数据集训练的U-Net模型在跨域泛化测试中超越了专用架构DSSDNet，验证了大规模预训练对遥感阴影检测的普适性提升，为后续研究提供了新的基准模型设计思路。

数据集最近研究

最新研究方向

随着遥感技术的快速发展，几何感知阴影检测在三维重建和场景理解中的重要性日益凸显。S-EO数据集作为目前规模最大的高分辨率遥感阴影检测数据集，为这一领域的研究提供了重要支撑。该数据集整合了多角度、多时相的WorldView-3影像和LiDAR衍生的数字表面模型，通过几何投影算法自动生成阴影标注，显著提升了标注效率。近期研究主要聚焦于三个方向：基于深度学习的阴影检测模型优化，特别是U-Net架构在跨域迁移学习中的表现；阴影信息在神经辐射场（NeRF）三维重建中的应用，通过阴影监督提升几何精度；以及针对季节性变化和瞬时物体等复杂场景的鲁棒阴影检测方法。这些研究不仅推动了遥感影像分析的进步，也为智慧城市、灾害监测等应用提供了技术支持。

相关研究论文

• S-EO: A Large-Scale Dataset for Geometry-Aware Shadow Detection in Remote Sensing Applications

  乌拉圭共和国工程学院, 数字感知公司, 欧洲催化中心, 多媒体技术, 巴黎-萨克雷大学等 · 2025年