Field Boundary Instance Segmentation - 22M (FBIS-22M)

FBIS-22M数据集是由欧洲航天局、空间研究研究所NASU-SSAU等多家机构创建的大型多分辨率卫星图像数据集，包含67万余张卫星图像和2292万余个田块实例掩码。该数据集整合了来自不同卫星平台的高分辨率影像，覆盖了从0.25米到10米的多种分辨率，为农业领域的田块边界实例分割提供了丰富的训练资源。数据集具有跨地域的多样性，覆盖了多个欧洲国家，有助于模型的泛化能力和在不同农业景观中的应用。

The FBIS-22M dataset is a large-scale multi-resolution satellite image dataset developed by multiple institutions including the European Space Agency and the Space Research Institute NASU-SSAU. It contains over 670,000 satellite images and more than 22.92 million field instance masks. This dataset integrates high-resolution imagery from various satellite platforms, covering resolutions ranging from 0.25 meters to 10 meters, providing abundant training resources for field boundary instance segmentation in the agricultural domain. Featuring cross-regional diversity, the dataset covers multiple European countries, which helps improve the generalization ability of models and their applications in different agricultural landscapes.

搜集汇总

数据集介绍

构建方式

FBIS-22M数据集的构建采用了多源卫星影像融合策略，整合了Sentinel-2、Planet、Maxar、Pleiades及正射影像等多平台数据，覆盖0.25米至10米的分辨率范围。通过欧洲多国官方LPIS系统标注与高分辨率商业影像人工标注相结合的方式，确保了672,909个影像斑块和22,926,427个实例掩模的精确性。数据集经过严格的清洗流程，消除了边界误差与不一致性，并按636,784训练样本与36,125测试样本进行划分，为模型训练提供了地理多样性保障。

特点

该数据集的核心优势体现在规模与多样性两个维度：其22M实例标注量超越现有农业数据集12倍，分辨率跨0.25m-10m连续光谱，支持从小型不规则田块到大型集约农场的精准识别。地理覆盖涵盖欧洲9国不同农业形态，单幅影像田块密度从10个至300个不等，有效模拟了真实农业场景的复杂性。多传感器数据融合特性使模型具备跨分辨率泛化能力，填补了农业影像与通用计算机视觉数据集间的规模鸿沟。

使用方法

FBIS-22M专为实例分割任务设计，用户可通过加载预处理后的多分辨率影像及对应JSON格式标注，直接输入至YOLOv11等实例分割框架进行训练。数据集的原生分辨率保持策略避免了重采样带来的边界模糊，建议采用马赛克增强、色彩抖动等标准遥感数据增强方法。模型输出为闭合田块实例掩模，经轮廓提取后即可转换为矢量边界，适用于精准农业管理、土地确权等实际应用。测试集包含36K样本，支持mAP@0.5-0.95等COCO标准指标验证。

背景与挑战

背景概述

FBIS-22M数据集由欧洲空间局（ESA）及乌克兰国家技术大学等机构的研究团队于2025年发布，旨在解决卫星影像中农田边界实例分割的核心挑战。该数据集包含672,909个高分辨率卫星图像块和22,926,427个农田实例掩码，覆盖0.25米至10米的多分辨率数据，显著提升了农业地块识别的精度与泛化能力。其创新性在于将传统语义分割任务重构为实例分割问题，有效避免了相邻地块的错误合并，为精准农业管理和土地普查提供了重要技术支持。

当前挑战

FBIS-22M需应对双重挑战：在领域层面，传统语义分割方法难以处理复杂农田形状与多尺度边界，导致地块合并和边界偏移；在构建层面，需整合Sentinel-2、Planet等多源异构卫星数据，克服分辨率差异（如10米影像对小农地块的识别局限）及地理分布多样性（覆盖欧洲9国不同农业形态）。此外，人工标注需协调官方LPIS数据与商业卫星影像，确保22M+实例标注的拓扑准确性与跨区域一致性。

常用场景

经典使用场景

在精准农业和土地管理领域，FBIS-22M数据集为卫星影像中的农田边界实例分割提供了经典应用场景。该数据集通过整合多分辨率（0.25m至10m）的卫星影像及2290万实例标注，支持模型在复杂农业景观中实现高精度边界提取，尤其适用于小农户不规则田块与大规模机械化农场的自动化测绘需求。其多源数据特性（Sentinel-2、Planet等）进一步提升了模型在不同传感器下的泛化能力。

衍生相关工作

FBIS-22M催生了多项突破性研究：基于YOLOv11架构的Delineate Anything模型实现了88.5%的mAP提升，成为当前农田边界检测的新基准；其零样本迁移框架被拓展应用于热带小农户田块识别（如Cambodia案例研究）；多团队借鉴其多分辨率标注方案开发了AdaptiveResUNet等新型网络。该数据集还推动了SAM模型在农业场景的优化，衍生出RSPrompter等针对遥感特性的提示工程方法。

数据集最近研究

最新研究方向

随着精准农业和土地管理的需求日益增长，农业地块边界的自动提取技术成为遥感领域的研究热点。FBIS-22M数据集作为当前规模最大的多分辨率农田边界实例分割数据集，为深度学习模型提供了丰富的训练资源。前沿研究主要聚焦于分辨率无关的实例分割方法，通过将农田边界检测任务重新定义为实例分割问题，显著提升了模型在复杂农田场景下的性能。该方向突破了传统语义分割方法在相邻地块合并和边界对齐精度上的局限，结合YOLOv11等先进架构，实现了88.5%的mAP@0.5性能提升。数据集涵盖0.25m至10m的多源卫星影像，有效支持了模型在小型不规则农田和大规模机械化农场的跨场景泛化能力，为零样本迁移学习提供了新的研究范式。

相关研究论文

• Delineate Anything: Resolution-Agnostic Field Boundary Delineation on Satellite Imagery

  欧洲航天局, 空间研究研究所NASU-SSAU, 马里兰大学, 国立技术大学乌克兰基辅理工学院 · 2025年