awesome-svi

这是一个精选的街景图像资源合集，专注于收集、整理和索引多个街景图像数据集，包括Place Pulse 2.0、Visual Soundscapes、CityScapes等。合集覆盖了城市感知、声学特性预测、语义分割、树木覆盖分割、社会城市发展、立面材料分类、城市物体检测、地点识别和道路质量评估等多个主题领域，并提供数据集提供者、教程、论文和其他相关资源，以支持街景图像的研究和应用。This is a curated collection of street view image resources, focused on collecting, organizing and indexing multiple street view image datasets including Place Pulse 2.0, Visual Soundscapes, CityScapes and others. The collection covers a wide range of thematic fields such as urban perception, acoustic property prediction, semantic segmentation, tree cover segmentation, social urban development, facade material classification, urban object detection, place recognition and road quality assessment. It also provides dataset providers, tutorials, papers and other relevant resources to support research and applications of street view images.

原始信息汇总

Awesome SVI 数据集详情总结

这是一个精选的街景影像（Street View Imagery, SVI）资源库，涵盖数据集、提供商、教程、论文等资源。

数据集列表

数据集	任务/问题	空间覆盖范围	是否包含地理位置信息
Place Pulse 2.0	城市感知	全球56个城市	是
Visual Soundscapes	声学特征预测	新加坡、深圳	否
CityScapes	语义分割	50个德国城市	否
Treepedia	树木覆盖分割	剑桥、约翰内斯堡、奥斯陆、圣保罗、新加坡	否
SustainBench	社会城市发展	56个国家	社区级别
Resource Cadastre	立面材料分类	纽约、东京、苏黎世	否
Street Scouting	城市目标检测	希腊	是
GSV Cities	地点识别/地理定位	全球多个城市	是
StreetSense	道路质量评估	拉各斯、曼谷、雅加达、韦恩	是
OpenStreetView-5M	地点识别/地理定位	225个国家	是

各数据集详情

Place Pulse 2.0

• 包含超过10万张全球街景图像，用于评估城市感知（美丽、富裕、安全、活力、无聊、有趣）
• 数据来源：Dropbox、Google Drive
• 相关论文：Dubey et al. (2016)、De nadai et al. (2016)、Naik et al. (2017)

Visual Soundscapes

• 用于评估城市声音特征的视觉感知，包含众包感知、现场声音测量、其他衍生城市指标和分割图像内容
• 相关论文：Zhao et al.

CityScapes

• 城市物体分割数据集，包含常见城市物体的标注掩码
• 相关论文：Cords et al.

Treepedia

• 提供街景图像上的树木覆盖掩码
• 相关论文：Yang Cai et al (2018)、Li et al (2015)、Seiferling et al. (2017)、Li & Ratti (2018)

SustainBench

• 可持续基准项目的一部分，提供全球社区级别的卫星影像和街景图像，标注不同发展指标（女性教育、清洁水、卫生、儿童死亡率、女性BMI、财富）
• 相关论文：Lee et al (2021)、Yeh et al. (2020)

Resource Cadastre

• 提供带有建筑立面材料标签的街景图像
• 相关论文：Raghu et al. (2023)

Street Scouting

• 用于城市目标检测的街景视频数据集
• 相关论文：Moschos et al. (2023)

GSV Cities

• 包含53万张全球不同城市的图像，用于视觉地点识别和地理定位
• 相关论文

StreetSense

• 基于街景图像评估道路和人行道状况的数据集

OpenStreetView-5M

• 基于街景图像的地理定位数据集，提供225个国家的510万张以上带地理位置信息的街景图像
• 相关论文：Astruc et al. (2024)

构建自己的街景数据集

提供以下资源用于访问街景图像和构建带众包标签的数据集：

• City-wide perceptions of neighbourhood quality using street-view images: a methodological toolkit
• Human Perception and SVI Project

街景图像提供商

提供商	来源类型	空间覆盖范围
Google Street View	专有	全球
Mappillary	开源-众包	全球
Kartaview	开源-众包	全球
Baidu	专有	中国
Yandex	专有	俄罗斯、乌克兰、白俄罗斯、哈萨克斯坦、亚美尼亚、土耳其、乌兹别克斯坦
Bing Maps	专有	加拿大、美国、英国

完整列表可参考Wikipedia Site。

街景图像综述论文

• Li et al. (2022)
• Biljecki & Ito (2021)
• Kang et al (2020)
• He & Li (2021)
• Ito, K. et al. (2024)

搜集汇总

数据集介绍

构建方式

该数据集通过系统梳理与筛选，汇集了全球范围内与街景影像（SVI）相关的优质资源。构建过程基于对现有学术文献、开源平台及权威数据库的深入检索与评估，最终整合出涵盖数据集、数据提供者、教程及研究论文的综合性资源库。每一收录项均经过严格的质量审核，确保其代表性与实用性，从而为研究人员与从业者提供一站式的SVI资源索引。

使用方法

使用者可直接通过仓库中的结构化表格快速定位所需资源，每个数据集均附有访问链接、相关代码仓库及核心参考文献。对于希望构建自定义SVI数据集的用户，仓库提供了详尽的工具包与指南，涵盖数据采集、标注与质量评估等环节。此外，资源库中的教程与综述论文能为初学者提供理论指导，而高级用户则可利用开源数据提供者（如Mappillary）的API进行大规模数据获取与分析。

背景与挑战

背景概述

街景图像（Street View Imagery, SVI）作为城市感知与空间分析的重要数据源，近年来在计算机视觉与地理信息科学领域引发了广泛关注。该资源库由相关研究团队于2024年6月启动建设，旨在系统整合全球范围内高质量的SVI数据集、开源工具及学术文献。其核心研究问题聚焦于如何利用SVI量化城市物理环境、社会感知与可持续发展指标，涵盖从城市绿化覆盖、建筑立面材料识别到社会经济水平预测等多维任务。该库收录了如Place Pulse 2.0、CityScapes、OpenStreetView-5M等具有里程碑意义的数据集，这些成果已被广泛应用于城市感知、语义分割及地理定位等前沿研究，显著推动了城市科学与深度学习的交叉融合。

当前挑战

当前SVI研究面临多重挑战。首先，在领域问题层面，现有数据集多针对特定任务设计，缺乏统一的多模态、多尺度标注标准，难以支持复杂城市系统的综合建模，例如同时融合感知属性、物理结构与动态变化。其次，构建过程中面临数据获取与隐私合规的困境：全球性SVI提供商如Google、Mapillary的覆盖范围与更新频率不均，且部分区域受限于法规或商业壁垒；同时，人工标注成本高昂，自动化标注方法在泛化性与精度上仍存瓶颈。此外，地理偏差与时空异质性导致模型在不同城市间的迁移能力不足，而数据集的长期维护与版本控制机制也亟待完善。

常用场景

经典使用场景

随着城市感知与计算视觉技术的深度融合，街景图像（Street View Imagery, SVI）已成为解析城市物理环境与社会属性的关键数据源。Awesome-SVI数据集聚合了全球范围内多样化的街景资源，其经典使用场景涵盖城市感知量化、语义分割与目标检测、建筑立面材料分类、道路质量评估以及植被覆盖度测算等核心任务。例如，Place Pulse 2.0数据集通过众包标注实现了对城市美感、安全性、活力等主观感知的全球尺度评估；CityScapes则提供了精细的城市场景语义标签，支撑自动驾驶与城市规划中的像素级理解。这些应用不仅彰显了SVI在空间分析中的独特价值，也为跨学科研究提供了标准化基准。

解决学术问题

该数据集体系系统性地回应了城市研究中长期存在的多模态数据稀缺与感知主观性困境。在学术层面，它解决了如何从海量非结构化街景影像中提取可量化、可复现的城市环境指标这一核心挑战。例如，SustainBench通过结合卫星与街景影像，实现了对妇女教育水平、儿童死亡率、财富指数等可持续发展指标的远距离预测，突破了传统普查数据的时空局限；Visual Soundscapes则首次将视觉特征与声学环境关联，开辟了城市声景感知的交叉研究新范式。这些工作推动了地理信息科学、公共健康与计算机视觉的融合，显著提升了城市研究的数据驱动能力与理论解释力。

实际应用

在实际应用中，Awesome-SVI数据集赋能了从城市规划到公共安全的多个领域。城市管理者可借助Treepedia的树木覆盖掩膜优化绿地布局，缓解热岛效应；StreetSense的道路质量评估功能为基础设施维护提供了低成本、高频次的巡检方案，尤其适用于发展中国家道路网络的动态监测。此外，GSV Cities与OpenStreetView-5M所支持的地理定位技术，已广泛应用于自动驾驶导航、增强现实与灾害应急响应中的位置识别任务。这些实践不仅验证了SVI在真实场景中的鲁棒性，也加速了从实验室研究到产业落地的转化进程。

数据集最近研究

最新研究方向

当前，街景影像（Street View Imagery, SVI）数据集的研究正朝着多模态、高分辨率与全球覆盖的方向纵深发展。结合计算机视觉与地理空间分析，前沿探索聚焦于利用SVI进行城市感知量化、环境声景预测、建筑立面材料识别以及道路质量评估等细分领域。例如，Place Pulse 2.0数据集通过众包标注揭示了城市美学与安全性的视觉关联，而OpenStreetView-5M则凭借超500万张覆盖225个国家的图像，推动了全球视觉地理定位技术的突破。这些研究不仅服务于智慧城市与可持续发展目标（如SustainBench中的社会经济指标监测），还积极响应了城市绿化评估（Treepedia）与循环经济（Resource Cadastre）等热点议题。其影响在于，SVI数据集正从单纯的视觉记录工具演变为理解城市复杂系统的关键媒介，为城市规划、公共卫生与灾害响应提供了前所未有的数据支撑与决策依据。