torchgeo/ucmerced

UC Merced数据集是一个图像分类任务的数据集，包含不同用地类别的图像。数据集大小在10K到100K之间，采用cc0-1.0授权。数据集是从原始网站重新分发而来的，未经修改。

The UC Merced dataset is an image classification dataset containing images of different land use categories. The dataset size ranges from 10K to 100K and is licensed under cc0-1.0. The dataset has been redistributed from the original website without modification.

原始信息汇总

数据集概述

数据集名称

• 名称：UC Merced

任务类别

• 图像分类

语言

• 英语

数据集大小

• 范围：10,000至100,000项

搜集汇总

数据集介绍

构建方式

在遥感影像分类领域，UC Merced数据集作为一项经典资源，其构建过程体现了系统性的数据采集与标注原则。该数据集源自美国地质调查局（USGS）的国家地图项目，通过高分辨率航拍图像获取了覆盖不同地理区域的遥感影像。研究人员从这些图像中手动裁剪出21类土地利用场景，每类包含100张图像，共计2100张样本，每张图像的空间分辨率为1英尺。这一构建方式确保了数据在类别多样性和空间代表性上的平衡，为土地利用分类研究提供了结构化的基准。

特点

UC Merced数据集以其高空间分辨率和精细的类别划分而著称，在遥感影像分析中具有显著优势。数据集包含21个互斥的土地利用类别，如农业区、飞机场、海滩等，每张图像均为256x256像素的彩色影像，空间细节丰富。其样本规模适中，类别分布均匀，避免了数据不平衡问题，同时所有图像均经过严格的质量控制，减少了噪声和模糊的影响。这些特点使得该数据集成为评估图像分类和场景理解算法的理想测试平台，尤其在迁移学习和深度学习模型中广泛应用。

使用方法

使用UC Merced数据集时，研究人员通常将其划分为训练集、验证集和测试集，以评估模型的泛化性能。数据集可直接通过HuggingFace平台或原始来源下载，支持常见的深度学习框架如PyTorch和TensorFlow。在预处理阶段，用户可应用图像增强技术，如旋转、缩放或色彩调整，以提升模型鲁棒性。该数据集主要用于监督学习任务，特别是多类图像分类，也可用于特征提取或跨域学习实验。其清晰的许可协议（CC0 1.0）允许自由使用、修改和分发，促进了学术和工业界的协作创新。

背景与挑战

背景概述

UC Merced数据集作为遥感影像分类领域的早期基准，由加州大学默塞德分校于2010年创建，旨在推动高分辨率遥感图像的土地利用分类研究。该数据集聚焦于城市与自然环境的精细识别，通过涵盖21类典型地物场景，为计算机视觉与地理信息科学交叉领域提供了关键数据支撑。其构建不仅促进了深度学习模型在遥感分析中的应用，还显著提升了土地利用监测的自动化水平，对后续遥感数据集的标准化发展产生了深远影响。

当前挑战

该数据集核心挑战在于解决高分辨率遥感图像中复杂地物场景的精细分类问题，尤其涉及类间相似性高、空间结构多样等难点，要求模型具备强大的特征提取与上下文理解能力。在构建过程中，数据采集受限于地理覆盖范围与时间一致性，标注工作依赖人工目视解译，面临主观偏差与效率瓶颈；同时，数据规模相对有限，对模型泛化性能提出更高要求，需通过增强策略弥补多样性不足。

常用场景

经典使用场景

在遥感图像分析领域，UC Merced数据集作为经典的基准资源，广泛应用于土地覆盖分类任务。该数据集包含21类高分辨率航拍图像，每类图像数量均衡，为研究者提供了标准化的实验平台。其经典使用场景在于训练和评估图像分类模型，特别是针对卷积神经网络（CNN）在遥感场景理解中的性能测试。通过该数据集，学者能够系统比较不同算法在复杂地理特征识别上的准确性与鲁棒性，推动了遥感图像自动解译技术的发展。

解决学术问题

UC Merced数据集有效解决了遥感图像分类中样本稀缺与类别不平衡的学术难题。其精心标注的21类土地覆盖类型，涵盖了从农田到城市区域的多样场景，为模型泛化能力研究提供了坚实基础。该数据集促进了迁移学习、小样本学习等前沿方法在遥感领域的应用，帮助学者探索如何在有限标注数据下提升模型性能。其存在显著降低了遥感图像分析的研究门槛，加速了地理信息科学向智能化方向的演进。

衍生相关工作

围绕UC Merced数据集，学术界衍生了一系列经典研究工作。早期研究如SIFT特征结合SVM的分类方法奠定了传统机器学习在遥感分类中的基础。随着深度学习兴起，该数据集成为测试AlexNet、VGG、ResNet等网络架构性能的关键基准。后续工作进一步探索了注意力机制、生成对抗网络（GAN）数据增强等技术在提升分类精度上的应用。这些研究不仅丰富了遥感图像分析的方法体系，也为后续更大规模数据集（如NWPU-RESISC45）的开发提供了重要参考。