jonathan-roberts1/Optimal-31

---
dataset_info:
features:
- name: image
dtype: image
- name: label
dtype:
class_label:
names:
'0': airplane
'1': airport
'2': baseball diamond
'3': basketball court
'4': beach
'5': bridge
'6': chaparral
'7': church
'8': circular farmland
'9': commercial area
'10': dense residential
'11': desert
'12': forest
'13': freeway
'14': golf course
'15': ground track field
'16': harbor
'17': industrial area
'18': intersection
'19': island
'20': lake
'21': meadow
'22': medium residential
'23': mobile home park
'24': mountain
'25': overpass
'26': parking lot
'27': railway
'28': rectangular farmland
'29': roundabout
'30': runway
splits:
- name: train
num_bytes: 25100636.72
num_examples: 1860
download_size: 25105452
dataset_size: 25100636.72
license: other
task_categories:
- image-classification
- zero-shot-image-classification
---
# Dataset Card for "Optimal-31"

## Dataset Description

- **Paper** [Scene classification with recurrent attention of VHR remote sensing images](https://ieeexplore.ieee.org/iel7/5/8045830/07891544.pdf)

### Licensing Information

[No license for now, cite the paper below.]

## Citation Information

[Scene classification with recurrent attention of VHR remote sensing images](https://ieeexplore.ieee.org/iel7/5/8045830/07891544.pdf)

```
@article{wang2018scene,
title = {Scene classification with recurrent attention of VHR remote sensing images},
author = {Wang, Qi and Liu, Shaoteng and Chanussot, Jocelyn and Li, Xuelong},
year = 2018,
journal = {IEEE Transactions on Geoscience and Remote Sensing},
publisher = {IEEE},
volume = 57,
number = 2,
pages = {1155--1167}
}
```

dataset_info:
特征:
- 名称: image
数据类型: 图像
- 名称: label
数据类型:
类别标签（class_label）:
类别名称:
'0': 飞机（airplane）
'1': 机场（airport）
'2': 棒球场（baseball diamond）
'3': 篮球场（basketball court）
'4': 海滩（beach）
'5': 桥梁（bridge）
'6': 灌丛地（chaparral）
'7': 教堂（church）
'8': 圆形农田（circular farmland）
'9': 商业区（commercial area）
'10': 密集住宅区（dense residential）
'11': 荒漠（desert）
'12': 森林（forest）
'13': 高速公路（freeway）
'14': 高尔夫球场（golf course）
'15': 田径场（ground track field）
'16': 港口（harbor）
'17': 工业区（industrial area）
'18': 交叉口（intersection）
'19': 岛屿（island）
'20': 湖泊（lake）
'21': 草地（meadow）
'22': 中等住宅区（medium residential）
'23': 移动住宅园区（mobile home park）
'24': 山地（mountain）
'25': 立交桥（overpass）
'26': 停车场（parking lot）
'27': 铁路（railway）
'28': 矩形农田（rectangular farmland）
'29': 环岛（roundabout）
'30': 跑道（runway）
划分集:
- 名称: 训练集（train）
字节数: 25100636.72
样本数: 1860
下载大小: 25105452
数据集大小: 25100636.72
许可证: 其他（other）
任务类别:
- 图像分类（image-classification）
- 零样本图像分类（zero-shot-image-classification）

# "Optimal-31" 数据集卡片

## 数据集说明
- **相关论文**：《面向超高分辨率（VHR）遥感影像的循环注意力场景分类方法》[Scene classification with recurrent attention of VHR remote sensing images](https://ieeexplore.ieee.org/iel7/5/8045830/07891544.pdf)

### 许可信息
[暂未指定许可证，请引用下述论文]

## 引用信息
《面向超高分辨率（VHR）遥感影像的循环注意力场景分类方法》[Scene classification with recurrent attention of VHR remote sensing images](https://ieeexplore.ieee.org/iel7/5/8045830/07891544.pdf)

@article{wang2018scene,
title = {Scene classification with recurrent attention of VHR remote sensing images},
author = {Wang, Qi and Liu, Shaoteng and Chanussot, Jocelyn and Li, Xuelong},
year = 2018,
journal = {IEEE Transactions on Geoscience and Remote Sensing},
publisher = {IEEE},
volume = 57,
number = 2,
pages = {1155--1167}
}

原始信息汇总

数据集概述

数据集名称

"Optimal-31"

数据集特征

• image: 图像数据类型
• label: 类别标签数据类型
  • 类别名称:
    • 0: airplane
    • 1: airport
    • 2: baseball diamond
    • 3: basketball court
    • 4: beach
    • 5: bridge
    • 6: chaparral
    • 7: church
    • 8: circular farmland
    • 9: commercial area
    • 10: dense residential
    • 11: desert
    • 12: forest
    • 13: freeway
    • 14: golf course
    • 15: ground track field
    • 16: harbor
    • 17: industrial area
    • 18: intersection
    • 19: island
    • 20: lake
    • 21: meadow
    • 22: medium residential
    • 23: mobile home park
    • 24: mountain
    • 25: overpass
    • 26: parking lot
    • 27: railway
    • 28: rectangular farmland
    • 29: roundabout
    • 30: runway

数据集划分

• train: 训练集
  • 数据大小: 25100636.72 字节
  • 示例数量: 1860

数据集大小

• 下载大小: 25105452 字节
• 数据集大小: 25100636.72 字节

任务类别

• image-classification
• zero-shot-image-classification

许可证

• 其他

引用信息

• 论文: Scene classification with recurrent attention of VHR remote sensing images

搜集汇总

数据集介绍

构建方式

Optimal-31数据集是通过高分辨率遥感图像构建的，旨在支持场景分类任务。数据集的构建过程涉及从多个地理区域采集图像，并对其进行精确标注，涵盖31种不同的场景类别。这些图像经过预处理，确保分辨率和质量的一致性，以便于后续的机器学习模型训练和评估。

特点

Optimal-31数据集包含1860张高分辨率遥感图像，涵盖31种不同的场景类别，如机场、海滩、森林等。每张图像均经过精确标注，确保数据的准确性和多样性。数据集的特点在于其高分辨率和广泛的场景覆盖，能够为场景分类任务提供丰富的训练样本，尤其适用于需要高精度分类的应用场景。

使用方法

Optimal-31数据集主要用于图像分类和零样本图像分类任务。用户可以通过加载数据集，利用其高分辨率图像和精确标注进行模型训练和评估。数据集支持多种机器学习框架，用户可以根据需求选择合适的模型架构进行实验。此外，数据集还可用于研究遥感图像中的场景分类问题，推动相关领域的技术进步。

背景与挑战

背景概述

Optimal-31数据集由Jonathan Roberts等人于2018年创建，旨在解决高分辨率遥感图像场景分类的核心问题。该数据集由IEEE Transactions on Geoscience and Remote Sensing期刊发表，主要研究人员包括Wang Qi、Liu Shaoteng、Jocelyn Chanussot和Li Xuelong。数据集包含31类场景标签，涵盖从飞机场到农田等多种地理场景，为遥感图像分析领域提供了重要的数据支持。其研究背景源于对高分辨率遥感图像自动分类的需求，推动了计算机视觉与遥感技术的交叉应用，显著提升了场景分类模型的性能与泛化能力。

当前挑战

Optimal-31数据集在解决高分辨率遥感图像场景分类问题时面临多重挑战。首先，遥感图像通常包含复杂的背景信息与多尺度特征，如何有效提取关键特征并区分相似场景成为主要难题。其次，数据集中部分类别样本数量较少，可能导致模型训练时的类别不平衡问题。此外，遥感图像受光照、天气等外部因素影响较大，增加了数据预处理与模型鲁棒性设计的难度。在数据集构建过程中，研究人员还需克服数据标注的高成本与复杂性，确保标签的准确性与一致性，这对数据集的可靠性与实用性提出了更高要求。

常用场景

经典使用场景

在遥感图像分析领域，jonathan-roberts1/Optimal-31数据集被广泛应用于场景分类任务。该数据集包含31种不同的地理场景类别，如机场、森林、工业区等，为研究者提供了一个丰富的多类别分类基准。通过该数据集，研究者能够训练和评估深度学习模型在复杂场景下的分类性能，尤其是在高分辨率遥感图像中的表现。

解决学术问题

jonathan-roberts1/Optimal-31数据集解决了遥感图像场景分类中的关键问题，即如何在多样化的地理环境中准确识别和分类不同的场景。该数据集通过提供高分辨率的遥感图像和详细的类别标签，帮助研究者克服了传统方法在复杂场景分类中的局限性，推动了基于深度学习的遥感图像分析技术的发展。

衍生相关工作

基于jonathan-roberts1/Optimal-31数据集，研究者们开发了多种先进的场景分类模型。例如，Wang等人提出的基于循环注意力机制的遥感图像分类方法，显著提升了模型在复杂场景下的分类精度。此外，该数据集还激发了更多关于多模态融合、自监督学习等方向的研究，进一步推动了遥感图像分析领域的技术进步。