WorcesterMA_Housing_Facades

WorcesterMA_Housing_Facades数据集包含美国马萨诸塞州伍斯特市房屋立面的街景照片，这些照片被分为四个立面类别（class_1到class_4）。每个图像文件名对应一个市政属性ID（PID），可以与包含的属性元数据关联。数据集总共有22,949张图像，其中训练集20,467张，测试集2,482张。类别分布显示class_1数量最多。数据集支持图像分类任务，数据字段包括图像、PID、位置、类别标签等。此外，数据集还包含建造年份等元数据。数据集的地理偏差和类别不平衡是其主要局限性。

原始信息汇总

WorcesterMA_Housing_Facades 数据集概述

数据集基本信息

• 数据集名称: WorcesterMA_Housing_Facades
• 简短描述: 美国马萨诸塞州伍斯特市住宅立面的街景照片。图像被标记为四个立面类别（class_1..class_4）。文件名对应市政财产ID（PID），可与包含的财产元数据关联。
• 任务类别: 图像分类（住宅立面类型）
• 语言: 英语（元数据字段）
• 许可证: MIT

数据集规模与结构

• 总图像数量: 22,949 张
• 训练集: 20,467 张图像
• 测试集: 2,482 张图像
• 下载大小: 14162363681 字节
• 数据集大小: 14162363681 字节

类别分布

训练集 / 测试集分布:

• class_1: 11,254 / 1,241
• class_2: 4,958 / 543
• class_3: 2,967 / 353
• class_4: 1,288 / 345

数据字段/特征

• file_name: 图像文件
• pid: 整数财产标识符（不带 .jpg 的文件名）
• split: train 或 test
• class_label: 字符串标签（class_1..class_4）或注册文件中的整数编码标签
• year_built: 建造年份
• location: 字符串住房位置地址
• url: URL
• 其他元数据（如可用）：metadata.csv / 注册CSV文件中的 image_path 等。

配置

• 配置名称: standard
• 数据文件:
  • 训练集: metadata_train.csv
  • 测试集: metadata_test.csv

使用方式

可通过 Hugging Face datasets 库加载数据集。示例代码： python from datasets import load_dataset ds_train = load_dataset("WorcesterMA_Housing_Facades", "standard", split="train") ds_test = load_dataset("WorcesterMA_Housing_Facades", "standard", split="test")

局限性

• 地理偏差: 所有图像均来自马萨诸塞州伍斯特市，在此数据上训练的模型可能无法推广到其他城市或建筑风格。
• 类别不平衡: class_1 是最大的类别；在训练期间考虑类别平衡策略。
• 潜在的隐私问题: 图像可能包含可见的地址、车牌或人物。在公开发布前，请核实当地的隐私和使用政策。

来源与权限

• 图像文件和分片: WorcesterMA_Housing_Facades/train 和 .../test 文件夹。
• 元数据文件: metadata.csv 提供 PID 和图像路径之间的映射。
• 权限: 已于 2025 年 12 月 15 日获得伍斯特评估员办公室的口头同意以共享此数据集。他们告知，网站上所有可用数据均为公共记录，因此可以由我们作为数据集提供。

外部资源

• GitHub 项目: https://github.com/murai-lab/City-Transformers
• Hugging Face 数据集页面: https://huggingface.co/datasets/murai-lab/WorcesterMA_Housing_Facades

联系方式

• Shannon Song: [e-mail]
• Yiqing Zhang: [e-mail]
• Fabricio Murai: [e-mail]
• Nancy Ma: [e-mail]

搜集汇总

数据集介绍

构建方式

在建筑视觉分析领域，WorcesterMA_Housing_Facades数据集的构建体现了严谨的数据整合方法。该数据集通过采集美国马萨诸塞州伍斯特市的街道级住宅立面照片，并与市政财产登记元数据相结合而成。每张图像以财产标识符（PID）命名，确保了图像与元数据字段（如建造年份、地理位置）的精确关联。数据收集过程获得了当地评估办公室的口头许可，确认所有资料均为公共记录，从而在合法合规的前提下完成了22,949张图像的系统化整理。

特点

该数据集在住宅立面视觉分类研究中展现出鲜明的特征。其核心在于将图像数据与丰富的属性元数据深度融合，提供了包括建造年份、地址位置在内的结构化信息。数据规模达到22,949张图像，并划分为训练集与测试集，其中训练集包含20,467张，测试集为2,482张。图像被标注为四个立面类别，但类别分布存在明显不平衡，例如class_1类别占据主导，这为研究类别不平衡问题提供了真实场景。所有数据均集中于单一地理区域，为研究模型的地理泛化性设立了特定边界。

使用方法

对于计算机视觉研究者而言，该数据集的使用遵循标准化的流程。用户可通过Hugging Face的datasets库直接加载数据，选择‘standard’配置以获取包含图像路径与元数据的完整结构。在实际应用前，建议进行图像完整性验证，并利用财产标识符将图像与附带的metadata.csv文件进行连接，以访问扩展属性。模型训练可采用常见的图像加载库（如PIL或OpenCV）及标准数据增强技术。需要注意的是，由于数据存在地理局限性与类别不平衡，在模型设计与评估阶段需考虑相应的偏差缓解策略。

背景与挑战

背景概述

在计算机视觉与城市研究交叉领域，建筑立面分类作为理解城市形态与住房特征的关键任务，日益受到学术界关注。WorcesterMA_Housing_Facades数据集由麻省伍斯特理工学院的研究团队于2025年创建，核心研究问题在于通过街景图像实现住房立面的自动化分类，从而支持城市风貌分析、房产评估及历史建筑保护等应用。该数据集整合了伍斯特市的房产登记元数据与实地采集的立面图像，为视觉住房分类研究提供了重要的实证基础，推动了地理信息科学与机器学习方法的深度融合。

当前挑战

该数据集旨在解决建筑立面图像分类的领域挑战，包括应对不同建筑风格、光照条件及遮挡物带来的视觉复杂性，以及从有限地理样本中提取可泛化特征。在构建过程中，研究人员面临数据采集的实操困难，如确保图像质量一致性、处理缺失或损坏文件，并需协调公开记录与隐私保护之间的平衡。此外，类别分布不均衡与地域局限性可能影响模型在跨城市场景中的表现，要求后续研究采用数据增强或迁移学习策略以提升鲁棒性。

常用场景

经典使用场景

在计算机视觉与城市研究领域，WorcesterMA_Housing_Facades数据集为住房立面分类任务提供了宝贵的视觉资源。该数据集通过整合街道级摄影图像与房产元数据，支持研究者构建和评估图像分类模型，以自动识别和归类不同风格的建筑立面。其经典应用场景包括训练卷积神经网络等深度学习模型，实现对四类住房立面的精准识别，为城市风貌分析与建筑类型学研究奠定数据基础。

实际应用

在实际应用中，WorcesterMA_Housing_Facades数据集可服务于城市规划与遗产保护工作。例如，市政部门可利用训练好的模型批量评估城市区域的建筑风格分布，辅助历史街区保护政策的制定。房地产行业也可借助此类技术自动化分析房产外观特征，提升市场评估效率。这些应用展现了视觉数据在城市管理与智慧城市建设中的潜在价值。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，主要集中在视觉住房分类模型的开发与优化。例如，研究者利用其训练Transformer架构的视觉模型，探索跨城市泛化能力；同时，结合元数据如建筑年份，开展了时序风格演变分析。这些工作不仅提升了立面分类的准确性，还拓展了数据在城市计算与数字人文领域的应用边界。