git10m-instances
收藏资源简介：
Git-10M Instance Annotations (v1.0) 是一个大规模的地理空间对象标注数据集，专门为 Git-10M 全球卫星影像数据集提供实例级别的注释。该数据集包含 101.6 百万个多边形级别的对象标注，覆盖全球 72 个地理区域（包括美国各州、中国省份、法国子区域、印度子区域、巴西、香港、西藏等地）。每个标注实例代表一个建筑轮廓或 OpenStreetMap (OSM) 区域特征，并以多边形形式表示，其坐标已投影到其所属的 Git-10M 卫星瓦片（缩放级别 10-18）的 256x256 像素坐标系中，无需在训练时进行额外的投影计算。每个实例附带结构化的 OSM 标签（共 633,934 个独特的键值对），用于描述对象属性（如建筑类型、用途等）。数据来源融合了 Microsoft 全球建筑足迹（主要提供建筑多边形）和 OpenStreetMap（提供标签和非建筑多边形）。数据集以纯注释形式发布，不包含卫星影像本身，影像需从关联的 Git-10M 数据集单独获取。核心数据文件采用内存映射友好的 NumPy .npz 格式存储实例数组和瓦片反向索引，并辅以 Parquet 文件提供瓦片清单、区域索引和固定的检索评估划分。该数据集适用于遥感图像的特征提取、图像分类、图像到图像转换、地理空间对象检索等任务，尤其适合用于训练和评估结合视觉与文本信息（OSM标签）的跨模态检索模型。
Git-10M Instance Annotations (v1.0) is a large-scale geospatial object annotation dataset, specifically designed to provide instance-level annotations for the Git-10M global satellite imagery dataset. It contains 101.6 million polygon-level object annotations, covering 72 geographic regions worldwide (including U.S. states, Chinese provinces, French sub-regions, Indian sub-regions, Brazil, Hong Kong, Tibet, etc.). Each annotation instance represents a building footprint or OpenStreetMap (OSM) area feature, expressed as polygons with coordinates projected onto the 256x256 pixel coordinate system of its corresponding Git-10M satellite tile (zoom levels 10-18), eliminating the need for additional projection calculations during training. Each instance includes structured OSM tags (with a total of 633,934 unique key-value pairs) to describe object attributes (e.g., building type, usage). The data sources combine Microsoft Global Building Footprints (primarily providing building polygons) and OpenStreetMap (providing tags and non-building polygons). The dataset is released as pure annotations and does not include satellite imagery itself; the imagery must be obtained separately from the associated Git-10M dataset. Core data files are stored in memory-mapped friendly NumPy .npz format for instance arrays and tile reverse indices, supplemented by Parquet files for tile manifests, region indices, and fixed retrieval evaluation splits. This dataset is suitable for tasks such as remote sensing image feature extraction, image classification, image-to-image translation, and geospatial object retrieval, particularly for training and evaluating cross-modal retrieval models that combine visual and textual information (OSM tags).
数据集概述
Git-10M Instance Annotations (v1.0) 是一个针对遥感卫星影像的大规模实例级别标注数据集。
核心数据量
- 多边形实例: 101,585,517 个
- 覆盖区域: 72 个地理区域（包括美国50多个州、中国各省、法国部分地区、印度部分地区、巴西等）
- 唯一瓦片: 1,016,516 个（区域前缀唯一）
- 多边形顶点: 871,995,595 个
- OSM标签对: 633,934 个唯一
(key, value)对 - 标签分配: 183,392,610 个（压缩CSR格式）
- 锚点缩放级别: 主要集中于 z18，少量至 z10
数据来源与许可
- OpenStreetMap (OSM) 标签数据: ODbL-1.0 许可
- 微软全球建筑轮廓: ODbL-1.0 许可
- Git-10M 卫星影像: CC-BY-NC-ND-4.0 许可（需单独下载）
- 本标注数据集: 作为衍生数据库，遵循 ODbL-1.0 许可
数据组成（文件列表）
| 文件名 | 大小 | 内容描述 |
|---|---|---|
inst_metadata.npz |
14.4 GB | 所有实例数组 + 每瓦片反向索引（支持mmap） |
tag_vocab.pt |
35 MB | {(key, value): int_id} 字典，含 633,934 个OSM标签对 |
tag_pairs.parquet |
7.7 MB | 相同词汇表的可查询 Parquet 文件 |
region_index.parquet |
小 | region_id ↔ region_name 映射（72个区域） |
all_tiles.parquet |
42 MB | 瓦片清单：tile_id → hf_indices（Git-10M行）、缩放级别、x、y |
spatial_split.json |
2.9 MB | 冻结的检索评估分割：eval_query_ids（10k）/ eval_gallery_ids（50k）/ train_caption_ids |
docs/OVERVIEW.md |
文本 | 论文风格的数据集构建流程和来源描述 |
docs/SCHEMAS.md |
文本 | 每个键的权威模式参考 |
docs/MODELING_RECS.md |
文本 | 如何将该数据集用于检索训练（平衡、过滤、采样） |
scripts/load_dataset_example.py |
小 | 端到端渲染一个实例的演示脚本 |
数据模式（inst_metadata.npz 文件）
按全局实例ID索引 i ∈ [0, N)：
| 字段 | 类型 | 描述 |
|---|---|---|
source[i] |
uint8 | 0=ms_only, 1=ms+osm_merged, 2=osm_building, 3=osm_area |
geom_type[i] |
uint8 | 1=polygon（始终） |
multipolygon_group_id[i] |
int32 | -1表示单实例；同一多边形的兄弟实例共享一个值 |
anchor_zoom[i] |
int8 | 10..18 — 完全包含该多边形的最大深度 Git-10M 瓦片 |
anchor_x[i], anchor_y[i] |
int32 | 在 anchor_zoom 下的瓦片坐标 |
pixel_area_at_anchor[i] |
int32 | 多边形在 256×256 锚点瓦片画布上的像素面积 |
height[i] |
float32 | 微软提供的建筑物高度（米）；未知则为 NaN |
ms_confidence[i] |
float32 | 微软来源置信度；未知则为 NaN |
point_px[i, :] |
float32 | (2,) 锚点瓦片像素坐标中的质心 [0..256] |
bbox_px[i, :] |
float32 | (4,) 像素坐标中的 xmin, ymin, xmax, ymax |
region_id[i] |
int32 | 索引到 region_index.parquet |
verts_px[verts_ptr[i]:verts_ptr[i+1], :] |
float32 | (k, 2) 多边形外环的像素坐标 |
tag_ids[tag_ids_ptr[i]:tag_ids_ptr[i+1]] |
int32 | OSM标签ID（通过 tag_vocab.pt 解码） |
每瓦片反向索引:
tile_ids[t]: 例如"0019_18_41492_91643"（region_id_zoom_x_y）tile_inst_start[t]: 锚定在此瓦片的第一个实例索引tile_inst_end[t]: 锚定在此瓦片的最后一个实例索引（后一位）
已知限制
- 区域视觉同质性: 单区域内实例外观相似，跨区域训练对检索泛化至关重要
- 建筑物偏斜: 约80%的实例为建筑物类型，需使用平衡采样器补偿
- v1.0 缺少描述: 计划在v1.1中发布每实例的VLM生成描述（约20万个分层实例）
- 地理参考偏移: 多边形与底层影像对齐精度在几米级别
- 不同区域MS覆盖不均: 72个区域中有40个只有OSM数据
评估分割（spatial_split.json）
- eval_query_ids: 10,000个查询实例（对象裁剪），按主要OSM键进行类别平衡
- eval_gallery_ids: 50,000个干扰实例
- train_caption_ids: 234,058个保留用于描述/训练的实例
- metadata: 种子、最小像素面积、计数和每类别分布
