lllxlll/UC_Merced

UC Merced土地利用数据集是一个土地利用分类数据集，包含2100张256x256像素、1英尺分辨率的RGB图像，这些图像提取自美国地质调查局国家地图城市区域影像集，涵盖了美国各地的城市区域。数据集包含21个土地利用类别，每个类别有100张图像。总图像数为2100，波段为3（RGB），图像大小为256x256，分辨率为0.3米，土地覆盖类别包括：农业、飞机、棒球场、海滩、建筑物、灌木丛、密集住宅区、森林、高速公路、高尔夫球场、港口、交叉路口、中等住宅区、移动房屋公园、立交桥、停车场、河流、跑道、稀疏住宅区、储油罐和网球场。数据源为美国地质调查局。The UC Merced Land Use dataset is a land use classification dataset of 2.1k 256x256 1ft resolution RGB images of urban locations around the U.S. extracted from the USGS National Map Urban Area Imagery collection with 21 land use classes (100 images per class). Total Number of Images: 2100, Bands: 3 (RGB), Image Size: 256x256, Resolution: 0.3m, Land Cover Classes: 21, Classes: agricultural, airplane, baseballdiamond, beach, buildings, chaparral, denseresidential, forest, freeway, golfcourse, harbor, intersection, mediumresidential, mobilehomepark, overpass, parkinglot, river, runway, sparseresidential, storagetanks, tenniscourt, Source: USGS.

搜集汇总

数据集介绍

构建方式

UC Merced数据集源自美国地质调查局（USGS）国家地图城市区域影像库，通过从该高分辨率遥感影像集合中提取出覆盖美国多个城市地点的RGB图像而构建。每幅图像的空间分辨率为0.3米，尺寸统一为256×256像素，共收录2100张样本。这些图像依据土地利用类型被划分为21个类别，每一类别包含100张精心挑选的图像，确保了数据集的均衡性与代表性。构建过程严格遵循土地利用分类的标准化定义，为遥感图像理解研究提供了可靠的数据基础。

特点

该数据集以其精细的空间分辨率和丰富的语义类别著称，覆盖农业用地、飞机、棒球场、海滩、建筑、灌木丛、密集住宅区、森林、高速公路、高尔夫球场、港口、交叉路口、中等密度住宅区、移动房屋公园、立交桥、停车场、河流、跑道、稀疏住宅区、储罐以及网球场等21种典型城市与自然场景。作为遥感领域经典基准数据集，UC Merced在图像尺寸、光谱波段和地形多样化方面保持高度一致性，特别适合用于土地利用分类、场景理解及迁移学习等任务，是验证遥感深度学习模型性能的重要参考资料。

使用方法

使用UC Merced数据集极为便捷，用户可通过Hugging Face的datasets库直接加载。只需执行一行命令：from datasets import load_dataset; UC_Merced = load_dataset("blanchon/UC_Merced")，即可获取包含训练集分割的完整数据集。加载后的数据集包含image和label两个字段，image为PIL图像对象，label为整型类别索引，可直接与PyTorch或TensorFlow等深度学习框架对接。建议在使用前将图像尺寸调整为模型输入要求，并根据任务对21个类别进行独热编码或整数编码，以开展分类模型的训练与评估。

背景与挑战

背景概述

UC Merced土地利用数据集诞生于遥感领域对高分辨率地理空间图像分类的迫切需求，由加州大学默塞德分校的研究团队于2010年创建，基于美国地质调查局国家地图城市区域影像集合，精心遴选出2100幅0.3米分辨率的RGB影像，涵盖农业、森林、住宅区等21种典型土地利用类别。该数据集的核心价值在于为高空间分辨率遥感影像的语义理解提供了标准化基准，其每类100幅图像的均衡结构和0.3米的空间细节，极大推动了土地利用与覆盖分类算法从传统手工特征向深度学习范式的跨越，成为遥感场景分类领域最具影响力的基准数据集之一，被广泛应用于模型评估与迁移学习研究。

当前挑战

该数据集面临的首要领域挑战是遥感场景分类中类间相似性与类内多样性的固有矛盾，如密集住宅区与中等住宅区之间的视觉模糊性，以及森林与灌丛地物光谱纹理的重叠，要求模型具备超越像素级的空间语义理解能力。在构建过程中，研究者遭遇了高分辨率影像中城市景观的时空异质性难题，同一土地利用类别在不同地理区域呈现迥异的视觉特征，同时需从USGS庞大的影像库中遴选出代表性样本，并确保21个类别的样本量均衡与标注一致性，这对数据筛选流程与标注规模构成了严峻考验，也为后续多源遥感数据的融合与领域适应研究埋下了伏笔。

常用场景

经典使用场景

UC Merced数据集作为遥感影像土地覆盖与土地利用分类领域的经典基准，常被用于评估和验证高分辨率遥感图像分类算法的性能。该数据集包含21类精细的土地利用类别，如农业用地、建筑区、森林、河流、机场跑道等，每类包含100幅分辨率为0.3米、尺寸为256×256像素的真彩色图像。研究者通常采用该数据集来训练和测试传统的机器学习模型（如支持向量机、随机森林）以及深度学习架构（如卷积神经网络、Transformer模型），以衡量模型在细微地物区分上的泛化能力。此外，UC Merced也是领域自适应和迁移学习研究中常用的锚点数据集，用于探索遥感场景在不同区域或传感器间的特征对齐与知识迁移效果。

解决学术问题

UC Merced数据集主要解决了遥感领域中高空间分辨率影像下土地利用精细分类的学术挑战。在数据集发布之前，多数遥感分类研究聚焦于中低分辨率影像和粗尺度地物类别，难以捕捉城市及郊区内细微的人工地物与自然景观差异。该数据集通过提供标准化的、高分辨率的影像集合，推动了面向小样本学习、图像特征表达、空间纹理分析和多尺度融合等研究方向的发展。它使学术界能够系统地对比不同特征提取与分类方法在复杂城市场景下的识别精度，并为后续数据集构建和指标评价体系奠定了基础，极大地促进了遥感场景理解这一子领域的规范化与可重复性研究进步。

衍生相关工作

UC Merced数据集的出现催生了一系列遥感领域内的经典研究工作，最具有代表性的包括基于深度学习的多尺度特征融合方法（如双边分割网络和多分辨率特征金字塔），以及针对遥感图像的自监督预训练框架（如SeCo、GLCNet）。此外，该数据集也被用于验证注意力机制在遥感场景分类中的有效性，例如引入空间注意力或通道注意力增强模型的判别能力。同时，UC Merced作为基准之一，与AID、NWPU-RESISC45等更大规模数据集共同推动了深度迁移学习、领域泛化以及多模态遥感分析等前沿方向的发展，许多后续研究者在该数据集上测试了对比学习、知识蒸馏和轻量化网络架构，显著推动了遥感人工智能的落地应用与性能提升。