Vehicles in the Middle East (VME)

VME数据集是一个专门为检测中东地区高分辨率卫星图像中的车辆而设计的数据集。该数据集由Maxar提供，涵盖了12个国家的54个城市，包含超过4000个图像瓦片和超过10万辆车辆，使用人工和半自动化方法进行注释。VME数据集旨在解决现有数据集在地理上的偏见问题，特别是对中东地区的忽视。数据集的创建过程涉及图像收集、图像裁剪、图像注释和最终数据集的形成。VME数据集和CDSI数据集的应用领域包括交通管理、城市规划、灾害响应等，旨在提高车辆检测的准确性和全球车辆检测的性能。The VME dataset is a specialized collection purpose-built for vehicle detection in high-resolution satellite imagery across the Middle East. Provided by Maxar, the dataset covers 54 cities in 12 countries, includes over 4,000 image tiles and more than 100,000 annotated vehicles, with annotations generated via manual and semi-automated approaches. The VME dataset was developed to mitigate geographic bias in existing datasets, particularly the underrepresentation of the Middle East region. The dataset creation pipeline encompasses image collection, cropping, annotation, and final dataset curation. Applications of the VME and CDSI datasets span traffic management, urban planning, disaster response and other domains, with the goal of improving vehicle detection accuracy and overall global vehicle detection performance.

搜集汇总

数据集介绍

构建方式

卫星遥感影像中的车辆检测在交通管理、城市规划和灾害响应中具有重要价值，然而现有数据集普遍存在地理偏差，对中东地区的覆盖尤为不足。为弥补这一空白，Vehicles in the Middle East (VME) 数据集应运而生。该数据集从Maxar平台采集高分辨率卫星影像，覆盖12个中东国家的54座城市，包含超过4000张512×512像素的图像切片。通过结合人工标注与半自动化技术，共标注了超过10万辆车辆实例，涵盖汽车、巴士和卡车三类目标，并同时提供定向边界框与水平边界框两种注释格式。最终数据集包含4282张有效图像，按5/8、1/8、2/8的比例随机划分为训练集、验证集和测试集。

使用方法

研究者可直接从Zenodo仓库下载VME数据集，获取PNG格式卫星图像及YOLO格式的OBB注释文件和MS-COCO格式的HBB注释文件。建议采用SAHI框架结合TOOD或DINO等先进检测器进行模型训练与评估，尤其推荐使用切片辅助推理与微调策略以提升小目标检测性能。对于需要更大规模数据的实验，可通过提供的脚本和指南，将VME与xView等数据集整合构建CDSI基准。训练时建议按5/8、1/8、2/8比例划分数据，并注意利用VME特有的中东场景弥补现有模型的地理局限性，从而在区域特定任务与全球通用任务中均取得更优表现。

背景与挑战

背景概述

卫星影像中的车辆检测在交通管理、城市规划和灾害响应等领域具有至关重要的应用价值。然而，现有模型在面对不同地理区域的真实场景时往往表现不佳，这一困境因现有数据集普遍存在的地理偏差而加剧——这些数据集多聚焦于特定区域，对中东等地区的覆盖严重不足。为填补这一空白，卡塔尔计算研究所的Noora al-Emadi及其合作者于2025年发布了中东车辆数据集（VME），该数据集源自Maxar高分辨率卫星影像，覆盖12个国家54座城市，包含超过4000张图像切片和10万余辆车辆标注，并采用人工与半自动相结合的标注策略。VME的提出不仅显著提升了中东地区车辆检测的精度，更通过与多个现有数据集整合构建了迄今最大规模的卫星影像车辆检测基准CDSI，为遥感领域的研究者提供了弥合地理偏差、推动全球车辆检测的重要资源。

当前挑战

VME数据集面临的核心挑战源于卫星影像中车辆目标的微小尺度——每辆车仅占据数个像素，属于典型的小目标检测问题，使得上下文信息成为精确判别的关键。构建过程中，研究者需应对多项技术难题：一是图像采集受制于中东地区频繁的雾霾和沙尘天气，导致部分影像模糊或出现反射干扰；二是需在有限预算下从2.7万余张初始切片中筛选出包含可标注对象的4000余张有效图像；三是标注环节需确保跨城市、跨分辨率影像的一致性，通过6000余名众包人员的协同标注与交叉验证系统，最终实现了99.9%的精确率和98.4%的F1分数。此外，现有模型在中东影像上表现出的显著性能衰减（如VEDAI训练模型的mAP50仅5.1%），揭示了地理偏差带来的领域迁移难题，而VME的引入可将检测精度提升56.3%。

常用场景

经典使用场景

在遥感图像分析领域，车辆检测是交通管理、城市规划和灾害响应的核心任务，但现有模型常因地理偏差而在中东等区域表现不佳。VME数据集专为高分辨率卫星图像中的车辆检测设计，覆盖12个中东国家54座城市，包含超过4000张图像切片和10万余辆车辆实例。其经典使用场景是作为训练和评估车辆检测模型的基准，尤其针对中东地区独特的建筑风貌、土地覆盖和城市布局，通过提供精细的定向边界框注释，支持模型在该区域的精准定位与识别。

解决学术问题

VME数据集直面卫星图像车辆检测中的地理偏差问题。现有数据集如xView和DOTA多聚焦欧美或东亚，导致模型在中东地区因视觉上下文差异（如沙漠背景、密集城区）性能骤降。通过引入这一区域专属数据集，研究揭示了跨区域泛化能力的瓶颈，并证实基于VME训练的模型可在中东场景提升平均精度达56.3%。此外，其联合构建的CDSI基准数据集整合多源图像，为全球车辆检测提供了更均衡的训练资源，推动了小目标检测和域适应等学术问题的探索。

实际应用

VME数据集的实际应用贯穿智慧城市与应急管理。在交通管理中，它可用于分析中东城市车流模式与停车场占用率，辅助优化信号灯配时和停车设施规划。在灾害响应中，车辆计数变化可作为内部人口迁移的代理指标，例如监测冲突或自然灾害后的流离失所动态。同时，其高精度注释支持军事侦察、物流路径优化等场景，为中东地区大型基建项目（如卡塔尔智能城市）提供数据驱动的决策支持。

数据集最近研究

最新研究方向

在卫星遥感与计算机视觉交叉领域，车辆检测任务长期受困于地理分布偏差，现有数据集多聚焦于欧美或东亚等区域，导致模型对中东地区独特的城市结构、建筑风貌与景观特征适应性不足。VME数据集的问世恰逢智能城市与灾后应急响应等热点需求激增之际，其覆盖12国54城、包含超10万车辆实例的高分辨率影像与精细标注，为破解这一地理鸿沟提供了关键数据支撑。前沿研究方向正从单一区域模型向跨域泛化能力跃迁，VME与CDSI基准的构建不仅揭示了模型在不同地域间的性能落差，更验证了融合多源数据对提升全球车辆检测鲁棒性的显著效益。这一工作深刻推动了遥感影像分析向公平、包容的方向演进，为全球交通监测、城市动态感知与人道主义援助等应用奠定了更具代表性的评测基石。

相关研究论文

• 通过

  卡塔尔计算研究所，哈马德·本·哈利法大学，多哈，卡塔尔 · 2025年