JL1-CC&QA

JL1-CC&QA是由清华大学联合产业界构建的遥感变化理解基准数据集，旨在通过自然语言描述和交互式问答深化对地表变化的语义理解。该数据集基于5,000对吉林一号卫星获取的双时相高分辨率图像，共计包含17,021条质量验证的变化描述和20,060组问答对，覆盖建筑、道路、水体等多种地物变化类型。数据通过多模态大语言模型生成、视觉增强的LLM评判和专家验证的三阶段流程构建，确保了注释的准确性与多样性。该数据集主要应用于遥感变化检测、变化描述生成和视觉问答等任务，致力于解决传统像素级变化检测中语义信息缺失的问题，推动多任务协同的智能遥感分析发展。JL1-CC&QA is a benchmark dataset for remote sensing change understanding, jointly developed by Tsinghua University and industry partners. It aims to deepen the semantic understanding of land surface changes via natural language descriptions and interactive question-answering. Built upon 5,000 pairs of high-resolution bi-temporal remote sensing images captured by the Jilin-1 satellite constellation, this dataset contains a total of 17,021 quality-validated change descriptions and 20,060 question-answering pairs, covering various land feature change types such as buildings, roads, and water bodies. This dataset is constructed via a three-stage pipeline: generation by multimodal large language models, evaluation by vision-enhanced LLMs, and expert validation, which ensures the accuracy and diversity of annotations. Primarily applied to tasks including remote sensing change detection, change description generation, and visual question answering, this dataset aims to address the issue of missing semantic information in traditional pixel-level change detection, and promote the development of multi-task collaborative intelligent remote sensing analysis.

原始信息汇总

数据集概述

数据集名称：JL1-CD

核心用途：遥感变化检测（Remote Sensing Change Detection）

相关论文：JL1-CD: A New Benchmark for Remote Sensing Change Detection and a Robust Multi-Teacher Knowledge Distillation Framework（arXiv:2502.13407）

发布时间：2025年2月23日

开源状态：已开源

---

下载地址

• Google Drive：https://drive.google.com/drive/folders/1ELoqx7J3GrEFMX5_rRynMjW9-Poxz3Uu?usp=sharing
• 百度网盘：https://pan.baidu.com/s/1_vcO4c5DM5LDuOqLwLrWJg?pwd=5byn
• Hugging Face：https://huggingface.co/datasets/circleLZY/JL1-CD

---

配套框架

• 基于 OpenCD 工具箱实现：https://github.com/likyoo/open-cd

---

训练与测试

环境安装

• 按照 OpenCD 仓库的安装说明进行配置。

训练流程（以 Changer-MiT-b0 模型为例）

1. 训练原始模型： bash python tools/train.py configs/changer/changer_ex_mit-b0_512x512_200k_cgwx.py --work-dir /path/to/save/models/Changer-mit-b0/initial

2. 训练教师模型（CAR分区，如3个分区）： bash python tools/train.py configs/distill-changer/changer_ex_mit-b0_512x512_200k_cgwx-small.py --work-dir /path/to/save/models/Changer-mit-b0/small python tools/train.py configs/distill-changer/changer_ex_mit-b0_512x512_200k_cgwx-medium.py --work-dir /path/to/save/models/Changer-mit-b0/medium python tools/train.py configs/distill-changer/changer_ex_mit-b0_512x512_200k_cgwx-large.py --work-dir /path/to/save/models/Changer-mit-b0/large

   • 完成上述两步后，获得原始模型及三个教师模型（小、中、大），此时可应用 O-P 策略。

3. 训练学生模型：

   • 在配置文件中初始化检查点路径：checkpoint_student、checkpoint_teacher_l、checkpoint_teacher_m、checkpoint_teacher_s。

   • 运行命令： bash python tools/train.py configs/distill-changer/distill-changer_ex_mit-b0_512x512_200k_cgwx.py --work-dir /path/to/save/models/Changer-mit-b0/distill

   • 获得 MTKD 框架下的学生模型。

测试

• 学生模型（MTKD训练后）： bash python test.py <config-file> <checkpoint>

• O-P 策略测试：参考脚本 tools/test_pipline/single-partition-3-test.py。

---

预训练模型（Checkpoints）

• 百度网盘：https://pan.baidu.com/s/1F5MIGCCiNHFifNl_kDiklA?pwd=4tid
• Hugging Face：https://huggingface.co/circleLZY/MTKD

---

引用

bibtex @article{liu2025jl1, title={JL1-CD: A New Benchmark for Remote Sensing Change Detection and a Robust Multi-Teacher Knowledge Distillation Framework}, author={Liu, Ziyuan and Zhu, Ruifei and Gao, Long and Zhou, Yuanxiu and Ma, Jingyu and Gu, Yuantao}, journal={arXiv preprint arXiv:2502.13407}, year={2025} }

搜集汇总

数据集介绍

构建方式

遥感变化检测领域长期聚焦于像素级二值分割，虽能定位变化发生的区域，却无法揭示变化的语义内涵与因果逻辑。为弥合这一语义鸿沟，JL1-CC&QA数据集在JL1-CD基准的基础上，通过三层级流水线完成构建：首阶段由多模态大语言模型（Kimi-K2.6）依据双时相影像、二值变化掩膜及空间元数据生成候选描述与问答对；次阶段借助视觉锚定的大语言模型进行多维度评分与筛选；终阶段由领域专家对通过筛选的样本进行人工校验。最终形成包含17,021条高质量变化描述与20,060组多样问答对的多任务基准。

特点

该数据集呈现出鲜明的多任务协同特性与生态真实性。基于吉林一号卫星0.5至0.75米分辨率的5,000组双时相影像，数据集同时提供二值变化掩膜、自然语言变化描述及面向变化的问答对，实现了从空间定位到语义理解的全链条覆盖。变化区域占比呈长尾分布，中位数仅2.9%，真实模拟了实际地表动态中稀疏变化与显著变化并存的不均衡格局。问答部分涵盖存在性、描述、位置、程度、时序比较、因果推理、相对比较及视觉细节八类问题，支撑细粒度、交互式的变化解读。

使用方法

研究人员可灵活利用该数据集开展多任务学习或跨任务评估。在变化描述任务中，可基于双时相影像与变化掩膜训练模型生成语义精准的自然语句；在变化问答任务中，可通过八个类别的问答对开发具备推理能力的视觉语言模型。数据集的模块化设计支持单独或联合训练变化检测、变化描述与变化问答模型，为构建统一的地表变化理解框架提供标准化评测平台。所有数据与代码已开源发布，便于社区复现与扩展研究。

背景与挑战

背景概述

遥感变化检测（Change Detection, CD）作为地理空间分析的核心任务，长期致力于从多时相影像中识别地表变化，其成果广泛应用于城市规划、环境监测及灾害响应等领域。然而，传统二进制变化检测仅输出像素级变化掩膜，虽能定位变化区域，却无法揭示变化的语义内涵与动因。为弥合这一语义鸿沟，清华大学刘子源等人联合长光卫星技术股份有限公司，于2025年提出了JL1-CC&QA多任务基准数据集。该数据集基于吉林一号卫星获取的5,000对0.5–0.75米分辨率双时相影像，在原有JL1-CD二进制变化掩膜基础上，创新性地扩充了变化描述与变化问答两种标注层，分别包含17,021条质量验证后的描述文本和20,060组覆盖八类问题的问答对。通过多模态大模型生成、视觉引导评分与人工审核的三阶段流水线，该基准实现了从“何处变化”到“何物变化、为何变化”的认知跃迁，为遥感变化理解研究提供了统一的多任务评估平台。

当前挑战

JL1-CC&QA所应对的核心挑战在于突破传统变化检测的语义局限性。现有二进制变化检测仅能输出像素级掩膜，无法回答“什么发生了变化”与“为什么发生变化”等深层次问题，而语义变化检测虽引入离散类别标签，仍受限于封闭的分类体系，难以表达复杂变化的动态内涵。在数据集构建过程中，研究者面临着多方面的困难：首先，需要设计可扩展的标注流程以兼顾规模与质量，最终采用的多模态大模型生成结合人工验证的三阶段流水线虽有效平衡了效率与可靠性，但生成式模型的幻觉问题仍是质量控制的难点；其次，变化区域面积比呈现长尾分布（中位数仅2.9%），小尺度变化的精准描述对模型感知能力提出了严苛要求；再者，变化问答任务需覆盖存在性、描述、位置、规模、时序比较、因果推理等八种问题类型，确保问答对的多样性与非冗余性设计极具挑战。此外，为避免模型精准化输出数值元数据，构建流程需严格禁止直接复制图像数值信息，这一约束进一步增加了生成难度。最终，该基准通过将多模态大模型生成、视觉评分与专家验证有机结合，成功实现了语义丰富、质量可控的大规模变化理解数据集构建。

常用场景

经典使用场景

JL1-CC&QA作为遥感变化理解的多任务基准，最经典的使用场景是联合训练与评估变化检测（CD）、变化描述（CC）和变化问答（QA）三项任务。数据集基于吉林一号卫星的5000对高分辨率双时相影像，提供像素级二进制变化掩膜、17021条质量验证的变化描述文本以及20060对覆盖八类问题的问答对，使研究者能够在同一图像集上同步开展变化区域定位、语义描述和交互式查询的研究，推动了从单一变化检测向多维度语言驱动变化理解的范式转变。

解决学术问题

该数据集革新性地解决了传统遥感变化检测仅输出二进制掩膜而缺乏语义解释的根本性局限。通过引入自然语言标注层，JL1-CC&QA使学术研究能够深入探讨“发生了什么变化”以及“为何变化”等深层次问题，弥合了像素级分割与人类语义理解之间的鸿沟。它填补了遥感领域缺少同时涵盖二进制变化掩膜、变化描述和问答对的多任务基准的空白，为多任务学习和跨任务评估提供了标准化平台，显著推动了变化描述、变化视觉问答等新兴研究方向的发展。

衍生相关工作

JL1-CC&QA的发布催生了多项具有深远影响的衍生工作。在其基础上，研究者开发了融合视觉语言模型的变化描述与问答联合框架，以及基于多模态大语言模型的变化理解智能体系统。该数据集还为变化描述的零样本与少样本学习、变化问答中的因果推理研究提供了关键基准，并启发了将变化检测与生成式AI（如扩散模型）结合以生成语义丰富的合成变化数据的工作，极大丰富了遥感变化理解领域的方法论体系。