COFGA

COFGA数据集是由以色列国防部国防研究与发展局创建的，专注于从航空影像中进行细粒度物体分类。该数据集包含2,104张图像，这些图像是从航空成像系统中收集的，具有5-15厘米的地面采样距离（GSD），提供了比大多数公共航空影像数据集更高的空间分辨率。数据集中的14,256个标注物体被分类为2个主要类别、15个子类别、14个独特特征和8种感知颜色，总计37个不同的标签，使其非常适合细粒度分类任务。COFGA数据集的应用领域包括航空影像分析和利用，旨在解决细粒度物体分类的挑战。The COFGA dataset was developed by the Defense Research and Development Directorate of the Israeli Ministry of Defense, focusing on fine-grained object classification from aerial imagery. This dataset comprises 2,104 images collected from aerial imaging systems, with a ground sampling distance (GSD) of 5–15 cm, providing higher spatial resolution than most public aerial image datasets. The 14,256 annotated objects within the dataset are classified into 2 main categories, 15 subcategories, 14 unique features, and 8 perceptual colors, amounting to 37 distinct labels in total, which renders it highly suitable for fine-grained classification tasks. The application domains of the COFGA dataset include aerial imagery analysis and utilization, with the goal of addressing the challenges in fine-grained object classification.

搜集汇总

数据集介绍

构建方式

在航空影像分析领域，高分辨率图像与精细标注是推动细粒度分类研究的关键。COFGA数据集的构建采用了系统化的双阶段标注流程：首先由两个独立的航空影像分析团队对2104张5-15厘米地面采样距离的航拍图像进行扫描，使用四点定向边界框标注可检测车辆，并初步划分为“大型车辆”与“小型车辆”两类；随后，专家团队通过定制化网络应用程序对每个边界框内的对象进行细粒度特征标注，涵盖子类、独特特征及感知颜色等多层次标签，最终通过独立专家双重校验确保标注质量。

特点

COFGA数据集在航空影像细粒度分类领域展现出显著优势。其核心特点在于极高的空间分辨率与多层次标注体系：图像地面采样距离达5-15厘米，优于多数公开航拍数据集；标注体系包含类别、子类、独特特征与感知颜色四个粒度层级，共计37种标签，尤其涵盖车辆空调通风口、备用轮胎等细微特征。数据分布呈现显著的类内差异与类间相似性挑战，如“破损”特征广泛分布于多个子类，而“皮卡”子类则关联最多特征类型，为模型学习复杂视觉模式提供了丰富场景。

使用方法

该数据集适用于航空影像细粒度分类模型的训练与评估。使用方法上，研究者可利用其提供的定向边界框坐标提取车辆区域图像，结合旋转、颜色空间转换等预处理技术增强数据多样性。针对多标签多分类任务，可采用分层预测策略或集成学习框架，如通过级联模型依次预测类别、子类、颜色及特征，或聚合数百个差异化模型的预测结果以提升罕见标签识别能力。评估时推荐采用均值平均精度指标，该指标均衡考虑各类标签频率差异，适用于数据分布高度不均衡的场景。

背景与挑战

背景概述

随着高分辨率卫星与航空成像系统的飞速发展，遥感影像中物体的精细分类已成为计算机视觉领域的关键研究方向。COFGA数据集由以色列国防部国防研究与发展局（MAFAT）于2018年秋季发布，旨在推动航空影像中车辆的细粒度分类研究。该数据集包含2,104张地面采样距离为5至15厘米的高分辨率航空图像，标注了14,256个车辆对象，涵盖2个大类、15个子类、14种独特特征及8种感知颜色，共计37种标签。其卓越的空间分辨率与多层次标注体系，为细粒度分类算法提供了前所未有的数据支持，显著提升了该领域模型的判别能力与泛化性能。

当前挑战

COFGA数据集致力于解决航空影像中车辆的细粒度分类问题，其核心挑战在于类间差异微小而类内差异显著，例如区分不同车型的细微特征（如天窗、备用轮胎等）。在构建过程中，标注团队面临高分辨率图像中车辆方向多变、光照条件复杂以及标注一致性维护等难题。此外，数据集中存在标签分布极度不均衡的现象，部分稀有类别仅含少数样本，这对依赖大规模标注数据的深度学习模型构成了严峻考验。同时，多标签、多类别的层次化标注结构要求模型具备融合上下文信息与特征关联性的能力，进一步增加了分类任务的复杂性。

常用场景

经典使用场景

在航空影像分析领域，COFGA数据集因其高分辨率（5-15厘米地面采样距离）和精细标注体系而成为细粒度分类研究的基准工具。该数据集通过提供车辆的多层次标签（包括类别、子类、独特特征和感知颜色），支持研究者开发能够区分微小视觉差异的算法模型。其经典应用场景聚焦于训练和评估卷积神经网络在复杂空中视角下对车辆进行精确属性识别，例如识别车辆是否配备天窗、备用轮胎或空调通风口等细节特征，从而推动计算机视觉在细粒度分类任务上的边界拓展。

衍生相关工作

围绕COFGA数据集衍生的经典工作主要体现在MAFAT挑战赛中的创新解决方案上。例如，获胜团队MMM采用了激进的集成策略，结合数百个差异化模型和聚类方法，显著提升了细粒度分类的均值平均精度。另一项代表性工作利用数据集的层次化标签结构，设计了级联模型架构，逐步预测类别、子类和特征，有效利用了标签间的依赖关系。这些方法不仅推动了集成学习、数据增强和层次化建模技术的发展，还为后续研究提供了处理不平衡数据和小样本问题的实用框架，影响了航空影像分析领域的算法演进。

数据集最近研究

最新研究方向

在航空影像分析领域，COFGA数据集凭借其5-15厘米的高空间分辨率与37个细粒度标签的标注体系，为车辆精细分类研究提供了关键支撑。当前前沿方向聚焦于解决小样本学习与数据不平衡的挑战，研究者通过集成学习、层次化模型架构及数据增强策略，如旋转对齐与颜色通道变换，提升模型对稀有类别（如特定车辆特征）的识别鲁棒性。关联的MAFAT竞赛推动了多标签学习算法的创新，其评估指标mAP强调了模型在置信度排序上的优化，促进了低资源环境下航空影像自动分析技术的发展，对智慧城市监测与国防安全应用具有深远意义。

相关研究论文

• cofga: A Dataset for Fine Grained Classification of Objects from Aerial Imagery

  以色列国防部国防研究与发展局 · 2021年