FOTBCD

FOTBCD是一个来自法国正射影像和地形数据的大规模建筑物变化检测基准数据集，包含地理多样性的高分辨率航空影像。

FOTBCD is a large-scale building change detection benchmark dataset sourced from French orthophotos and topographic data, which contains geographically diverse high-resolution aerial imagery.

原始信息汇总

FOTBCD数据集概述

数据集简介

FOTBCD是一个用于高分辨率航空影像建筑物变化检测的大规模基准数据集，源自法国正射影像和地形数据。

数据集构成

数据集包含两个版本：

FOTBCD-Binary

• 覆盖区域：法国28个省份（25个训练省份，3个评估省份）
• 数据量：约28,000个图像对
• 图像规格：512x512像素，0.2米分辨率
• 标注类型：二值掩码（0=无变化，255=变化）
• 许可协议：CC BY-NC-SA 4.0

FOTBCD-Instances

• 覆盖区域：法国6个省份（3个训练省份，3个评估省份）
• 数据量：4,000个图像对
• 图像规格：512x512像素，0.2米分辨率
• 标注类型：COCO格式多边形（类别：UNCHANGED=1, DEMOLISHED=2, NEW=3）
• 许可协议：CC BY-NC-SA 4.0

数据下载与结构

• 下载地址：https://drive.google.com/drive/folders/1XpV4ouhvVg0M28S7-u7PbDhYA56pQHRm?usp=sharing
• 包含内容：FOTBCD-Binary、FOTBCD-Instances及预训练权重

目录结构

FOTBCD-Binary/ images/ train/ before/ # {id}.png after/ # {id}.png label/ # 二值掩码 val/ test/

FOTBCD-Instances/ images/ train/ before/ after/ annotations/ train.json # COCO格式 val.json test.json

跨数据集评估结果

交并比（IoU）

训练集 / 测试集	FOTBCD-Binary	LEVIR-CD+	WHU-CD
FOTBCD-Binary	0.818	0.299	0.697
LEVIR-CD+	0.300	0.737	0.544
WHU-CD	0.342	0.213	0.894

F1分数

训练集 / 测试集	FOTBCD-Binary	LEVIR-CD+	WHU-CD
FOTBCD-Binary	0.900	0.460	0.822
LEVIR-CD+	0.462	0.848	0.704
WHU-CD	0.509	0.351	0.944

精确率（Precision）

训练集 / 测试集	FOTBCD-Binary	LEVIR-CD+	WHU-CD
FOTBCD-Binary	0.915	0.819	0.803
LEVIR-CD+	0.802	0.880	0.829
WHU-CD	0.736	0.821	0.956

召回率（Recall）

训练集 / 测试集	FOTBCD-Binary	LEVIR-CD+	WHU-CD
FOTBCD-Binary	0.886	0.320	0.841
LEVIR-CD+	0.324	0.819	0.612
WHU-CD	0.390	0.223	0.933

许可信息

• 代码许可：MIT
• 数据集许可：CC BY-NC-SA 4.0
• 源数据许可：IGN France的BD ORTHO / BD TOPO数据，采用Licence Ouverte 2.0许可

商业版本（FOTBCD-220k）

• 数据规模：220,000+图像对，覆盖法国多个区域
• 标注规模：1,500,000+建筑物多边形，每个实例标注为NEW/DEMOLISHED/UNCHANGED
• 许可类型：商业许可，适用于生产部署和专有应用
• 联系信息：[e-mail]

引用方式

bibtex @misc{moubane2026fotbcd, title={FOTBCD: A Large-Scale Building Change Detection Benchmark from French Orthophotos and Topographic Data}, author={Abdelrrahman Moubane}, year={2026}, eprint={2601.22596}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2601.22596}, }

数据来源

FOTBCD数据集衍生自IGN France的BD ORTHO和BD TOPO数据库。

搜集汇总

数据集介绍

构建方式

在遥感与地理信息科学领域，构建高质量的建筑变化检测数据集对于推动算法泛化能力至关重要。FOTBCD数据集基于法国国家地理与森林信息研究所（IGN）提供的BD ORTHO正射影像与BD TOPO地形数据构建而成。其构建过程首先从法国28个不同省份采集高分辨率航空影像，形成时序图像对，随后通过专业的地理信息处理流程，将原始数据裁剪为512x512像素的标准化图像块，并依据地形数据中的建筑矢量信息生成精确的二进制变化掩膜与实例级多边形标注。这一严谨的构建方法确保了数据的地理多样性与标注的几何准确性，为变化检测模型提供了坚实的数据基础。

特点

FOTBCD数据集的核心特点体现在其规模、多样性与标注粒度上。该数据集包含两个版本：FOTBCD-Binary提供了约28,000对图像及其对应的二进制变化掩膜，覆盖25个训练省份与3个评估省份，展现了广泛的地理分布；FOTBCD-Instances则包含4,000对图像，并以COCO格式提供了实例级多边形标注，细致区分了未变化、拆除与新建三类建筑实体。所有影像均保持0.2米的高空间分辨率，确保了地物细节的清晰可辨。这种大规模、多区域、细粒度的数据特性，使其能够有效支持模型在跨区域场景下的泛化性能评估与比较。

使用方法

为促进建筑变化检测算法的研发与评估，FOTBCD数据集提供了清晰的使用路径。用户可通过官方提供的Google Drive链接下载数据，数据集已按训练、验证与测试集组织，并包含预训练模型权重。在使用前，需通过提供的environment.yml文件配置Python环境，并在config.py中设置数据集路径。数据可直接用于训练主流的变化检测模型，通过运行train.py脚本即可启动训练流程。此外，数据集设计支持跨数据集评估，用户可利用evaluate.py脚本，便捷地比较模型在FOTBCD、LEVIR-CD+及WHU-CD等不同基准上的泛化能力，从而全面验证算法的鲁棒性与适应性。

背景与挑战

背景概述

遥感影像变化检测是地理信息科学和计算机视觉交叉领域的关键研究方向，旨在通过分析不同时间获取的遥感图像，自动识别地表物体的变化情况。FOTBCD数据集由研究人员Abdelrrahman Moubane于2026年构建，基于法国国家地理与林业信息研究所（IGN France）提供的BD ORTHO正射影像和BD TOPO地形数据。该数据集聚焦于建筑物变化检测这一核心研究问题，涵盖了法国28个行政区域的广泛地理范围，包含约2.8万对高分辨率（0.2米）图像，并提供了二进制掩码和实例级多边形两种标注形式。FOTBCD以其大规模、高分辨率和地理多样性特点，显著推进了建筑物变化检测模型的训练与评估，为城市监测、灾害评估和土地利用规划等应用提供了重要的数据支撑。

当前挑战

在建筑物变化检测领域，模型面临的主要挑战包括准确区分真实建筑物变化与由光照、季节、视角差异引起的伪变化，以及处理复杂城市环境中密集、不规则建筑结构的精细识别。FOTBCD数据集构建过程中，研究人员需应对数据采集与标注的多重困难：首先，整合多时相、高分辨率的正射影像与地形数据，确保时间对齐和空间精度的一致性；其次，在广阔地理区域内进行大规模人工或半自动标注，保证二进制掩码和实例级多边形标注的准确性与一致性，尤其需清晰界定新建、拆除与未变化建筑物的边界；此外，还需处理数据版权与许可协议，平衡学术开放与商业应用需求，从而构建出既具代表性又合规可用的基准数据集。

常用场景

经典使用场景

在遥感与计算机视觉领域，建筑物变化检测是监测城市动态演化的核心任务之一。FOTBCD数据集凭借其高分辨率航空影像与精细标注，常被用于训练和评估深度学习模型，以自动识别建筑物在不同时间点的变化情况。该数据集通过提供大规模、地理多样性的图像对，支持模型在复杂场景下学习鲁棒的特征表示，从而实现对建筑物新建、拆除或未变化状态的精准分类。

衍生相关工作

围绕FOTBCD数据集，学术界已衍生出多项经典研究工作，主要集中在跨域变化检测模型的优化与评估框架的构建。例如，研究者利用其地理多样性特点，开发了针对不同区域影像分布的域自适应算法，以提升模型在未见地区的性能。同时，该数据集也常被用作基准，与LEVIR-CD+、WHU-CD等现有数据集进行对比分析，推动了变化检测领域标准化评测体系的完善与演进。

数据集最近研究

最新研究方向

在遥感与计算机视觉交叉领域，建筑物变化检测对于城市规划、灾害评估和可持续发展监测具有关键价值。FOTBCD数据集凭借其地理多样性、高分辨率影像及精细实例标注，正推动该领域前沿研究聚焦于跨域泛化能力的提升。当前热点探索模型在法国本土数据训练后，向全球不同区域如中国WHU-CD或美国LEVIR-CD+的迁移性能，揭示地理与建筑风格差异对算法鲁棒性的影响。这一方向不仅深化了域自适应与少样本学习理论，也为应对气候变化、城市化进程中的精准监测提供了可靠数据基础，具有显著的学术与应用意义。