DenseUIS

DenseUIS是由香港科技大学（广州）团队创建的首个专注于城市非正规住区的高分辨率遥感数据集。该数据集覆盖中国深圳和广州的126个城中村，包含1000张空间分辨率约0.14米的高清卫星图像，并提供了建筑物和道路网络的精细语义标注。数据集通过人工标注流程，整合了谷歌地球影像及高德、天地图等辅助数据，重点捕捉了城中村内高密度建筑布局与狭窄道路网络的独特形态。其核心应用在于推动精细城市测绘与可持续发展研究，旨在解决复杂高密度非正规环境中建筑物和道路的精准识别难题，为城市规划与治理提供关键数据支持。

DenseUIS is the first high-resolution remote sensing dataset dedicated to urban informal settlements, developed by the research team from Hong Kong University of Science and Technology (Guangzhou). This dataset covers 126 urban villages in Shenzhen and Guangzhou, China, and contains 1,000 high-definition satellite images with a spatial resolution of approximately 0.14 meters, as well as fine-grained semantic annotations for buildings and road networks. It was constructed through a manual annotation workflow, integrating auxiliary data sources including Google Earth imagery, Amap and Tianditu, with a focus on capturing the unique morphological characteristics of high-density building layouts and narrow road networks within urban villages. Its core applications are to advance fine-grained urban surveying and mapping and sustainable development research, aiming to address the challenge of accurate recognition of buildings and roads in complex high-density informal urban environments, and provide critical data support for urban planning and governance.

原始信息汇总

数据集概述：DenseUIS

DenseUIS（密集城市非正规住区数据集） 是首个专为超密集城市非正规住区（即中国的“城中村”）中的建筑和道路识别而设计的高分辨率遥感数据集。

• 核心目的：解决现有遥感数据集主要关注正规城市结构，缺乏针对非正规住区独特形态模式（如高密度建筑格局、狭窄道路网络）的细粒度标注数据这一关键空白。
• 主要特点：
  • 高分辨率覆盖：包含约 100 平方公里的甚高分辨率遥感影像。
  • 地理范围：覆盖中国深圳与广州的 126 个城中村。
  • 详细标注：提供手动标注的建筑和道路掩膜，具有细粒度标签。
  • 独特焦点：专门针对密集城市非正规住区这一具有挑战性的场景。
  • 基准效用：为评估先进深度学习方法在细粒度城市制图方面提供了稳健的基准。
  • 研究区域：具体信息将在论文接收后公布。

搜集汇总

数据集介绍

构建方式

在全球城市化进程中，城中村等非正规住区因其高密度建筑与狭窄路网对可持续城市治理构成重大挑战。为填补现有遥感数据集在精细刻画此类复杂环境方面的空白，DenseUIS数据集应运而生。其构建基于中国深圳与广州126个城中村的0.14米级谷歌地球影像，通过将建筑与道路矢量数据与影像统一坐标系后，手动校正与补充缺失要素，并依据建筑物间可通行间隙推断路网，再以不同缓冲宽度生成像素级标签，最终裁剪为1024×1024的图像块，形成首个专门针对高密度非正规住区建筑物与道路识别的基准数据集。

特点

DenseUIS数据集具有三大显著特征。其一，聚焦独特的中国城中村场景，路网涵盖改造村道、未改造窄巷及连接干道等多元类型，建筑物呈现屋顶面积小、空间密度极高的形态。其二，具备0.14米级超高空间分辨率与较大图像尺寸，能在狭隘通道中实现精细特征描绘，并助力模型学习建筑-道路空间耦合关系。其三，场景极度复杂，标签标注遵循“建筑物间存在可通行间隙”的推理原则，使得许多“道路”实为视觉模糊的楼间空隙，极大考验模型从模糊影像中分割连续路网与密集建筑边界的推理能力。

使用方法

研究人员可依据官方提供的训练、验证与测试集划分（700/100/200张图像）直接开展模型训练。输入图像尺寸固定为1024×1024像素，推荐采用随机翻转、转置与旋转等数据增强策略以提升泛化性。该数据集支持单任务语义分割（如独立提取建筑或道路），也适合多任务联合学习框架以捕捉两者间的空间耦合。此外，DenseUIS可作为严苛的评估基准，用于检验现有深度学习模型（如U-Net、SegFormer及RS-Mamba）处理高密度非正规住区独特形态时的表现局限性，推动特定场景算法的创新。数据集已公开于GitHub平台供学术研究使用。

背景与挑战

背景概述

DenseUIS数据集由香港科技大学（广州）城市治理与设计学域的研究团队于2025年创建，旨在应对城市村这一特殊非正规住区的基础设施精细测绘难题。该数据集聚焦于中国深圳与广州126个城中村，提供了0.14米空间分辨率的高清遥感影像与像素级建筑、道路标注，覆盖了高密度建筑与狭窄、不规则路网的独特形态。其核心研究问题在于揭示现有数据集对非正规住区内部结构的忽视，并为深度学习模型在极端密集环境下的建筑与道路提取设立基准。作为首个专门针对城中村场景的精细标注数据集，DenseUIS突破了传统遥感数据集仅关注正式城市区域的局限，为可持续城市发展与精准治理提供了关键数据支撑，已成为推动非正规住区地理空间智能分析的重要基石。

当前挑战

DenseUIS所应对的领域挑战在于现有遥感数据集普遍聚焦于正式城市区域，如主干道、商业区与规划住宅区，严重缺乏对城中村高密度建筑与杂乱路网内部结构的精细化标注，导致主流地图平台无法准确反映这些区域的道路连通性与建筑分布。构建过程中面临多重困难：首先，城中村建筑密度极高、屋顶面积狭小且排列无序，手动标注像素级建筑足迹需在大量遮挡与阴影干扰下进行精确勾勒；其次，道路网络多为狭窄且不规则的小巷，部分道路仅表现为建筑间的可见缝隙而无明确铺装表面，标注时需依赖对可通行路径的推断，增加了主观性与复杂性；最后，为覆盖深圳与广州126个城中村的多样形态，需在保持标注一致性的同时应对区域差异，如采用不同缓冲区宽度适配两地建筑密度变化，极大提升了数据生产的工作量与精细度要求。

常用场景

经典使用场景

DenseUIS数据集专为极高密度城市非正规聚落中的建筑物与道路识别任务而设计，其经典使用场景聚焦于利用高分辨率遥感影像对城中村内部错综复杂的建筑轮廓和狭窄路网进行精细语义分割。该数据集覆盖了中国深圳与广州126个城中村，提供了0.14米空间分辨率的影像与像素级标注，为评估深度学习模型在极端复杂背景下的地物提取能力设立了严苛基准。研究者可借助该数据集开展单任务或多任务分割实验，检验模型在建筑密集粘连、道路狭窄遮挡等挑战性场景下的表现。

衍生相关工作

DenseUIS的发布催生了一系列相关研究工作。在其基准实验中，研究者对比了U-Net、DeepLab-V3+、SegFormer及RS-Mamba等多种前沿模型，揭示了Mamba架构在密集建筑边界保持与连续路网重建中的优越性。该数据集为后续多任务联合学习框架（如JointNet及其衍生模型）提供了关键测试平台，并推动了构建物—道路联合分割技术的进步。此外，基于DenseUIS的挑战性，研究者正探索结合视觉大模型（如Segment Anything Model）与提示学习策略来提升非正规聚落地物提取的精度与泛化能力。

数据集最近研究

最新研究方向

当前DenseUIS数据集的研究前沿聚焦于利用深度学习模型对高密度非正规聚落中的建筑物与道路进行精细化语义分割。该方向的核心挑战在于，传统CNN与Transformer架构面对城中村极端紧凑、不规则的空间形态时，易出现边界粘连、小尺度结构遗漏及道路网络断裂等问题。最新研究趋势正从单一模型向具有全局建模能力的架构演进，如RS-Mamba通过状态空间模型的长程依赖捕获能力，在建筑物边界保持与道路拓扑完整性上展现出超越既有方法的优越性能。这一研究方向不仅推动了遥感影像分割技术在复杂非正式人居环境中的适应性与鲁棒性，也为联合国可持续发展目标框架下的精准城市治理与基础设施评估提供了关键的数据支撑与技术基准。

相关研究论文

• Building and Road Recognition in Dense Urban Informal Settlements: A Dataset and Benchmark

  香港科技大学（广州）·UGOD方向 · 2026年