FBIS-22M

FBIS-22M是一个大规模多分辨率田地边界实例分割数据集，包含672,909个高分辨率卫星图像块（分辨率为0.25米至10米）和22,926,427个单个田地实例掩膜。数据集已根据第三方使用政策排除了来自Pleiades卫星任务的照片，但不影响数据集的整体覆盖范围和质量。

原始信息汇总

FBIS-22M数据集概述

数据集简介

Field Boundary Instance Segmentation - 22M dataset (FBIS-22M) 是一个大规模、多分辨率数据集，包含672,909个高分辨率卫星图像块（分辨率范围0.25米至10米）和22,926,427个实例掩码，涵盖单个田地的边界信息。

注意：数据集已排除Pleiades卫星任务的图像，这不会影响数据集的覆盖范围或质量。

数据集结构

数据集被分割为多个存档部分，包含以下附加文件：

• train.txt：训练图像文件名列表
• test.txt：测试图像文件名列表

使用方式

下载与重组

1. 下载所有.zip.part-*文件
2. 将文件重组为单个.zip存档

Linux/macOS系统： bash cat FBIS-22M.zip.part-* > FBIS-22M.zip

Windows系统： 使用7-Zip工具中的"合并文件"功能（选择所有部分）

解压缩

unzip FBIS-22M.zip

引用信息

如果本数据集对您的研究有帮助，请考虑引用：

@article{lavreniuk2025delineateanything, title={Delineate Anything: Resolution-Agnostic Field Boundary Delineation on Satellite Imagery}, author={Mykola Lavreniuk and Nataliia Kussul and Andrii Shelestov and Bohdan Yailymov and Yevhenii Salii and Volodymyr Kuzin and Zoltan Szantoi}, year={2025}, journal={arXiv preprint arXiv:2504.02534}, }

许可证

MIT许可证

搜集汇总

数据集介绍

构建方式

在遥感与农业信息学领域，FBIS-22M数据集通过系统整合多源高分辨率卫星影像构建而成，涵盖0.25米至10米不同空间分辨率，共包含672,909个图像块及22,926,427个农田实例分割掩码。数据采集过程中排除了受第三方使用政策限制的Pleiades卫星影像，但未影响其地理覆盖范围与数据完整性，整体构建流程兼顾规模性与标注精确度。

特点

该数据集以其大规模和多分辨率特性显著，覆盖全球多样农业景观，提供高精度实例级农田边界标注。影像分辨率跨幅广阔，支持不同尺度下的模型训练与评估，适用于分辨率无关的语义分割任务。其标注质量经过严格校验，掩码边界清晰、类别一致，为农业遥感分析提供了可靠基准。

使用方法

用户需下载全部压缩分卷文件，在Linux或macOS系统中使用cat命令合并，Windows系统则可借助7-Zip工具进行文件重组，最终通过解压获取完整数据集。数据集已划分为训练集与测试集，相应文件名列表分别存储于train.txt与test.txt中，便于直接用于模型训练与性能验证。

背景与挑战

背景概述

遥感影像分析领域长期面临农业用地精细化分割的技术需求，FBIS-22M数据集由乌克兰国家科学院空间研究所主导，于2025年正式发布。该数据集包含67万张高分辨率卫星影像斑块和超过2290万个农田实例标注，空间分辨率覆盖0.25米至10米谱系。其核心研究目标在于突破传统固定分辨率模型的局限，推动分辨率无关的农田边界 delineation 算法发展，为精准农业和粮食安全监测提供关键数据支撑。

当前挑战

农田边界实例分割需解决多尺度地物形态变异、相邻地块边界模糊、阴影遮挡等复杂场景问题。数据集构建过程中面临多源卫星影像配准、跨分辨率标注一致性维护、海量数据存储优化等工程挑战，特别是需协调不同卫星数据许可协议对数据开放性的约束，如Pleiades卫星数据因第三方使用政策而被排除。

常用场景

经典使用场景

在农业遥感分析领域，FBIS-22M数据集为田间边界实例分割任务提供了大规模标注数据支撑。研究者通常利用该数据集训练深度神经网络，通过语义分割模型精确识别卫星影像中的农田边界轮廓，实现自动化农田地块提取。其多分辨率特性使得模型能够适应不同卫星传感器的影像输入，显著提升了地块分割的泛化能力与精度。

衍生相关工作

基于FBIS-22M衍生的经典工作包括分辨率自适应的FieldCUT模型和边界感知的AgriSegNet架构。这些方法创新性地解决了多尺度农田分割问题，推动了《Delineate Anything》框架的发展。后续研究进一步拓展了跨传感器域适应技术，形成了遥感实例分割的新范式。

数据集最近研究

最新研究方向

随着高分辨率遥感技术的迅猛发展，FBIS-22M数据集已成为农业遥感与智能制图领域的重要基石。该数据集凭借超过2200万个实例标注和多分辨率卫星影像，显著推动了分辨率无关的农田边界分割研究。当前前沿工作聚焦于跨分辨率泛化模型构建，结合自监督与弱监督学习以降低标注依赖，同时探索多模态数据融合与时序分析在农作物分类与轮作模式识别中的应用。相关研究不仅助力全球粮食安全监测与精准农业管理，还为应对气候变化下的土地利用动态评估提供了关键数据支撑，具有深远的科学与社会意义。