RSI-CB

RSI-CB是一个基于众包数据构建的大规模遥感图像分类基准，由中南大学地球科学与信息物理学院的研究团队开发。该数据集包含两个子数据集，分别包含24000张和36000张图像，图像大小分别为256x256和128x128像素。数据集涵盖农业用地、建设用地及设施、交通运输及设施、水域及水利设施、林地和其他土地等六大类别，每个类别下有多个子类别。数据集的构建过程涉及从Open Street Map提取兴趣点，并结合高分辨率遥感图像进行标注。RSI-CB旨在为遥感图像处理提供一个全面的分类基准，支持深度学习模型的训练和评估，特别适用于解决大规模图像分类问题。

RSI-CB is a large-scale remote sensing image classification benchmark constructed from crowdsourced data, developed by the research team from the School of Geosciences and Info-Physics, Central South University. This dataset consists of two subsets, containing 24,000 and 36,000 images respectively, with image sizes of 256×256 and 128×128 pixels. The dataset covers six major categories: agricultural land, construction land and facilities, transportation infrastructure and facilities, water areas and water conservancy facilities, woodland, and other lands, with multiple sub-categories under each major category. The construction of the dataset involves extracting points of interest (POIs) from OpenStreetMap and performing annotation in combination with high-resolution remote sensing images. RSI-CB aims to provide a comprehensive classification benchmark for remote sensing image processing, supporting the training and evaluation of deep learning models, and is particularly suitable for solving large-scale image classification tasks.

搜集汇总

数据集介绍

构建方式

RSI-CB数据集通过众包数据构建，利用Open Street Map (OSM)等众包数据源，结合高分辨率遥感图像进行标注。具体方法包括从OSM中提取兴趣点（POI），并根据地理坐标将其与从Bing Map和Google Earth下载的遥感图像对齐。数据集分为两个子集，分别为256×256像素和128×128像素，以适应不同深度卷积神经网络（DCNN）的需求。每个子集包含多个类别和子类别，涵盖农业用地、建设用地及设施、交通及设施、水域及水利设施、林地和其他用地等六大类。

特点

RSI-CB数据集具有以下特点：首先，它是一个全球范围的大规模遥感图像分类基准，涵盖多个国家和地区，确保了数据的多样性和广泛性。其次，数据集通过众包数据进行标注，减少了人工标注的成本和时间，同时保证了标注的准确性。此外，数据集的图像分辨率较高，范围从0.22米到3米，能够捕捉到更多的细节信息，适合复杂目标的分类任务。最后，数据集的类别体系基于中国土地利用分类标准，并结合了ImageNet的分层机制，确保了类别的多样性和全面性。

使用方法

RSI-CB数据集可用于多种遥感图像分类任务，包括深度学习模型的训练和评估。用户可以选择256×256或128×128像素的子集，根据不同的DCNN模型需求进行训练。数据集支持多种经典深度学习模型，如AlexNet、VGGNet、GoogLeNet和ResNet，并可用于手工特征（如SIFT、LBP等）的分类实验。此外，RSI-CB还支持模型迁移学习，用户可以利用该数据集训练的模型在其他遥感数据集（如UC-Merced）上进行测试，验证模型的泛化能力。

背景与挑战

背景概述

遥感图像分类是遥感图像处理中的基础任务，近年来，深度卷积神经网络（DCNN）在自然图像识别领域取得了突破性进展，主要得益于其强大的通用逼近能力、大规模数据集（如ImageNet）以及GPU提供的超级计算能力。然而，遥感领域仍然缺乏与ImageNet和Place2等相媲美的大规模基准数据集。为此，李海峰等人于2018年提出了基于众包数据的遥感图像分类基准（RSI-CB）。该数据集通过使用Open Street Map（OSM）等众包数据，有效地标注了遥感图像中的地面物体，构建了一个全球范围的大规模遥感图像分类基准。RSI-CB包含两个子数据集，分别为256×256和128×128像素大小，分别包含6个类别和35个子类别，共计超过24,000张图像，以及6个类别和45个子类别，共计超过36,000张图像。该数据集的分类体系参考了中国土地利用分类国家标准，并借鉴了ImageNet的分层机制，旨在为遥感图像分类任务提供一个更具代表性和多样性的基准。

当前挑战

RSI-CB数据集的构建面临多重挑战。首先，遥感图像中的物体种类繁多且复杂，传统的低分辨率数据集难以有效区分不同物体，而高分辨率数据集的构建则需要大量的标注工作。其次，遥感图像的全球覆盖性要求数据集具有广泛的地理分布，这增加了数据采集和标注的难度。此外，遥感图像受到相机视角、天气条件和太阳高度角等多种因素的影响，导致图像特征的多样性和复杂性增加。RSI-CB通过众包数据解决了部分标注问题，但众包数据的质量和密度分布不均，仍需人工筛选和校正，这增加了数据集构建的复杂性和时间成本。最后，如何确保数据集的多样性和代表性，使其能够适用于不同深度学习模型的训练，也是RSI-CB面临的重要挑战。

常用场景

经典使用场景

RSI-CB数据集的经典使用场景主要集中在遥感图像分类任务中。由于其大规模、多样化的标注数据，该数据集特别适用于深度卷积神经网络（DCNN）的训练与评估。通过使用RSI-CB，研究人员可以验证不同DCNN模型在遥感图像分类任务中的性能，尤其是在处理高分辨率遥感图像时，RSI-CB能够有效提升模型的分类精度。

实际应用

RSI-CB数据集在实际应用中具有广泛的前景，特别是在土地利用监测、城市规划、农业管理等领域。通过使用RSI-CB训练的模型，可以快速、准确地对遥感图像中的土地类型进行分类，帮助政府部门和相关机构更好地进行资源管理和环境监测。此外，RSI-CB的高分辨率特性使其在灾害评估、交通设施规划等应用中也具有重要价值。

衍生相关工作

RSI-CB数据集的提出激发了大量相关研究工作。首先，基于RSI-CB的深度学习模型在遥感图像分类任务中取得了显著的性能提升，推动了遥感图像处理技术的进步。其次，RSI-CB的众包数据构建方法为其他遥感数据集的开发提供了新的思路，尤其是在大规模数据标注和数据集扩展方面。此外，RSI-CB的成功应用还促进了弱监督学习和迁移学习在遥感领域的研究，进一步拓展了其在实际应用中的潜力。