dpdl-benchmark/resisc45

--- 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': cloud '10': commercial_area '11': dense_residential '12': desert '13': forest '14': freeway '15': golf_course '16': ground_track_field '17': harbor '18': industrial_area '19': intersection '20': island '21': lake '22': meadow '23': medium_residential '24': mobile_home_park '25': mountain '26': overpass '27': palace '28': parking_lot '29': railway '30': railway_station '31': rectangular_farmland '32': river '33': roundabout '34': runway '35': sea_ice '36': ship '37': snowberg '38': sparse_residential '39': stadium '40': storage_tank '41': tennis_court '42': terrace '43': thermal_power_station '44': wetland splits: - name: train num_bytes: 3311293834.5 num_examples: 31500 download_size: 3311547345 dataset_size: 3311293834.5 configs: - config_name: default data_files: - split: train path: data/train-* ---dataset_info: 特征字段： - 名称：image（图像），数据类型：image（图像） - 名称：label，数据类型：class_label（分类标签），其类别名称对应如下： '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': 云层（cloud） '10': 商业区（commercial_area） '11': 密集住宅区（dense_residential） '12': 荒漠（desert） '13': 森林（forest） '14': 高速公路（freeway） '15': 高尔夫球场（golf_course） '16': 田径场（ground_track_field） '17': 港口（harbor） '18': 工业区（industrial_area） '19': 交叉路口（intersection） '20': 岛屿（island） '21': 湖泊（lake） '22': 草地（meadow） '23': 中等住宅区（medium_residential） '24': 移动住宅园区（mobile_home_park） '25': 山地（mountain） '26': 立交桥（overpass） '27': 宫殿（palace） '28': 停车场（parking_lot） '29': 铁路线路（railway） '30': 火车站（railway_station） '31': 矩形农田（rectangular_farmland） '32': 河流（river） '33': 环岛（roundabout） '34': 跑道（runway） '35': 海冰（sea_ice） '36': 船舶（ship） '37': 冰山（snowberg） '38': 稀疏住宅区（sparse_residential） '39': 体育场（stadium） '40': 储油罐（storage_tank） '41': 网球场（tennis_court） '42': 梯田（terrace） '43': 火力发电厂（thermal_power_station） '44': 湿地（wetland） 数据集划分： - 名称：train（训练集），字节占用大小：3311293834.5，样本数量：31500 下载大小：3311547345，数据集占用总大小：3311293834.5 配置项： - 配置名称：default（默认配置），数据文件： - 对应划分集：train（训练集），文件路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• image：图像数据类型。
• label：分类标签，包含以下类别：
  • 0: airplane
  • 1: airport
  • 2: baseball_diamond
  • 3: basketball_court
  • 4: beach
  • 5: bridge
  • 6: chaparral
  • 7: church
  • 8: circular_farmland
  • 9: cloud
  • 10: commercial_area
  • 11: dense_residential
  • 12: desert
  • 13: forest
  • 14: freeway
  • 15: golf_course
  • 16: ground_track_field
  • 17: harbor
  • 18: industrial_area
  • 19: intersection
  • 20: island
  • 21: lake
  • 22: meadow
  • 23: medium_residential
  • 24: mobile_home_park
  • 25: mountain
  • 26: overpass
  • 27: palace
  • 28: parking_lot
  • 29: railway
  • 30: railway_station
  • 31: rectangular_farmland
  • 32: river
  • 33: roundabout
  • 34: runway
  • 35: sea_ice
  • 36: ship
  • 37: snowberg
  • 38: sparse_residential
  • 39: stadium
  • 40: storage_tank
  • 41: tennis_court
  • 42: terrace
  • 43: thermal_power_station
  • 44: wetland

数据集分割

• train：训练集
  • 数据量：31500个样本
  • 存储大小：3311293834.5字节

数据集大小

• 下载大小：3311547345字节
• 数据集实际大小：3311293834.5字节

配置信息

• config_name: default
• data_files:
  • split: train
  • path: data/train-*

搜集汇总

数据集介绍

构建方式

在遥感图像智能解译领域，高质量基准数据集是推动算法发展的基石。dpdl-benchmark/resisc45数据集源自西北工业大学发布的遥感图像场景分类数据集，其构建过程遵循严谨的类别体系与数据采集规范。该数据集共涵盖45个场景类别，包括飞机、机场、棒球场、篮球场、海滩等典型地物，每个类别均通过人工标注确保标签准确性。数据来源为从高分辨率遥感影像中裁剪出的图像块，经过严格的筛选与去重处理，最终形成包含31500张训练样本的标准化集合。所有图像以统一格式存储，并按照类别平衡原则进行分布，为模型训练提供了均衡的类别样本支持。

使用方法

使用该数据集时，研究者可通过HuggingFace Datasets库直接加载，指定config_name为'default'并选择train分割即可获取全部31500个样本。每个样本包含image字段（PIL图像对象）与label字段（整数类别索引），类别名称可通过数据集特征中的class_label映射获取。由于数据集未预设测试集，建议采用分层抽样方式按比例划分训练集与验证集，例如80%用于训练、20%用于验证。该数据集可直接用于训练卷积神经网络或视觉Transformer模型进行场景分类，也可作为遥感领域预训练模型的微调基准。加载代码示例为：from datasets import load_dataset; dataset = load_dataset('dpdl-benchmark/resisc45', split='train')。

背景与挑战

背景概述

遥感图像场景分类是地球观测与计算机视觉交叉领域的重要研究方向，其目标是从高分辨率遥感影像中自动识别地表覆盖类型与人类活动区域。RESISC45数据集由西北工业大学于2017年发布，包含45类场景类别、共计31500张图像，每类700张，覆盖机场、森林、工业区等典型地物类别。该数据集构建时严格遵循空间分辨率统一（约0.2–1米）、类别均衡、图像无重叠等原则，有效弥补了此前遥感场景数据集类别少、样本不均的不足。作为遥感场景分类领域的基准测试集，RESISC45推动了深度学习模型在遥感图像理解中的性能评估与迁移学习研究，为后续更大规模遥感数据集的设计提供了重要参考。

当前挑战

当前RESISC45数据集面临的核心挑战包括：其一，遥感场景分类任务本身具有类间相似性与类内多样性，如‘密集住宅区’与‘中等住宅区’在视觉特征上高度重叠，导致模型区分困难；其二，构建过程中虽确保图像空间分辨率一致，但不同场景类别在光照、季节、拍摄角度等条件下仍存在显著分布差异，对模型的泛化能力提出严苛要求；其三，数据集仅提供训练集划分（31500张），缺乏标准验证集与测试集，使得不同研究间的性能比较缺乏统一基准，阻碍了方法复现与公平评估；其四，随着遥感影像获取手段的丰富，现有类别体系已难以覆盖新兴地物类型，亟需扩展以保持数据集的前沿性与实用性。

常用场景

经典使用场景

RESISC45数据集作为遥感图像场景分类领域的标杆性资源，其经典使用场景集中在地物覆盖类型的精细识别与场景语义解析。该数据集涵盖45个类别、共计31500张高分辨率遥感图像，类别囊括飞机场、商业区、森林、湖泊等典型地理实体。研究者常利用其类别均衡、图像尺度统一的特点，训练深度卷积神经网络以捕捉遥感场景中的空间纹理与结构特征，为后续的遥感智能解译奠定基础。

解决学术问题

该数据集有效解决了遥感领域长期存在的场景标注数据匮乏与类别粒度粗糙的学术困境。通过提供大规模、细粒度且经过严格标注的遥感场景样本，RESISC45支撑了从传统手工特征到深度学习端到端分类的范式转变。其贡献在于推动了多尺度特征融合、注意力机制及迁移学习等算法在遥感场景理解中的验证与优化，显著提升了复杂地理环境下的分类精度与泛化能力。

实际应用

在实际应用中，RESISC45训练出的模型被广泛部署于国土规划、环境监测与灾害应急响应系统。例如，基于该数据集的分类器能够自动识别城市扩张中的商业区与居民区分布，辅助土地资源管理；在农业领域，可精准区分圆形农田与矩形农田，服务于作物种植结构分析；同时，对云层、雪山的识别能力为气象预警与冰川动态监测提供了可靠的技术支撑。

数据集最近研究

最新研究方向

在遥感图像智能解译领域，RESISC45数据集作为高空间分辨率场景分类的基准，正推动着深度学习模型从全局特征提取向细粒度语义理解演进。当前前沿方向聚焦于结合视觉Transformer与多尺度特征融合架构，以应对遥感图像中地物尺度差异大、类间相似性高等挑战。该数据集覆盖45类复杂场景，包括机场、立交桥、工业区等关键基础设施类别，其类别体系与联合国可持续发展目标中的城市韧性监测、土地利用变化追踪等热点议题紧密关联。基于RESISC45的对比学习与少样本学习研究，为灾害应急响应中的快速场景判读提供了技术支撑，同时推动了遥感基础模型在无标注数据依赖下的泛化能力突破，对全球土地覆盖制图与国土安全监测具有深远意义。