blanchon/AID

Aerial Image Dataset (AID) 是一个场景分类数据集，包含10,000张RGB图像，每张图像的分辨率为600x600像素。这些图像通过Google Earth提取，涵盖了全球不同地区和国家的各种场景。AID包含30种不同的场景类别，每个类别有数百张图像。数据集由遥感图像解释领域的专家进行标注，主要用于评估航空场景分类算法和模型。使用VGG-16架构可以达到约90%的准确率。数据集的目录结构展示了不同类别的图像文件，统计信息包括总图像数、图像分辨率、场景类别数和数据集大小。

原始信息汇总

Aerial Image Dataset (AID)

描述

Aerial Image Dataset (AID) 是一个场景分类数据集，包含 10,000 张 RGB 图像，每张图像的分辨率为 600x600 像素。这些图像通过 Google Earth 提取，涵盖了来自世界各地不同地区的各种场景。AID 包含 30 个不同的场景类别，每个类别有数百张图像。

数据集由以下 30 种空中场景类型组成：机场、裸地、棒球场、海滩、桥梁、中心、教堂、商业区、密集住宅区、沙漠、农田、森林、工业区、草地、中等住宅区、山地、公园、停车场、游乐场、池塘、港口、火车站、度假村、河流、学校、稀疏住宅区、广场、体育场、储油罐和立交桥。所有图像均由遥感图像解释领域的专家进行标注，每个类别的部分样本如图 1 所示。AID 数据集总共包含 30 个类别中的 10,000 张图像。

该数据集旨在评估空中场景分类算法和模型。它被认为是一个相对简单的数据集，使用 VGG-16 架构可以达到约 90% 的准确率。

结构

tree . ├── README.md └── data ├── Airport │ ├── airport_1.png │ ├── airport_2.png │ ├── ... │ └── airport_360.png ├── BareLand │ ├── bareland_1.png │ ├── ... │ └── bareland_310.png ├── ... └── Viaduct

统计信息

• 总图像数：10,000
• 图像分辨率：600x600 像素
• 场景类别：30
• 数据集大小：2.6GB

引用

如果您在研究中使用了 Aerial Image Dataset (AID)，请考虑引用以下出版物：

bibtex @article{xia2017aid, title = {AID: A benchmark data set for performance evaluation of aerial scene classification}, author = {Xia, Gui-Song and Hu, Jingwen and Hu, Fan and Shi, Baoguang and Bai, Xiang and Zhong, Yanfei and Zhang, Liangpei and Lu, Xiaoqiang}, journal = {IEEE Transactions on Geoscience and Remote Sensing}, volume = {55}, number = {7}, pages = {3965-3981}, year = {2017}, publisher = {IEEE} }

搜集汇总

数据集介绍

构建方式

在遥感影像分析领域，高质量的数据集对于算法评估至关重要。AID数据集的构建依托于Google Earth平台，从全球不同区域采集了共计一万张RGB航空影像，每张图像均统一为600×600像素分辨率。这些影像涵盖了机场、农田、森林等三十类典型地物场景，每类包含数百张样本，所有标注工作均由遥感影像解译专家完成，确保了标签的准确性与权威性。

使用方法

研究者可通过HuggingFace平台直接访问该数据集，其文件按场景类别分层组织，用户可灵活划分训练集与测试集以进行模型训练与评估。该数据集主要用于航空影像场景分类任务的算法验证，支持卷积神经网络等模型的性能测试，引用时需遵循相关学术规范，并参考提供的原始论文以了解详细实验设置与对比基准。

背景与挑战

背景概述

遥感影像场景分类是地理信息科学和计算机视觉交叉领域的关键研究方向，旨在从高空视角自动识别和理解地表覆盖类型。Aerial Image Dataset (AID) 由武汉大学等机构的研究团队于2017年创建，作为一项基准数据集，专门用于评估和推进航空影像场景分类算法的性能。该数据集涵盖了机场、农田、森林、居民区等30类典型地物场景，共包含一万张高分辨率RGB图像，均源自Google Earth平台，并由遥感影像解译专家进行精细标注。AID的建立为遥感影像智能解译提供了标准化测试平台，显著促进了深度学习模型在遥感领域的应用与发展，成为该领域广泛引用的重要资源之一。

当前挑战

在航空影像场景分类领域，核心挑战在于如何有效处理因拍摄高度、光照变化、季节更替及地表景物多样性所导致的类内差异大、类间相似性高的复杂问题。AID数据集旨在为这些挑战提供基准评估，但构建过程本身亦面临诸多困难：其一，数据采集需从全球不同区域获取具有代表性的场景样本，确保类别平衡与地理多样性，避免地域偏差；其二，图像标注依赖领域专家的专业知识，耗时费力，且需保证标注的一致性与准确性；其三，数据集中部分类别（如不同密度的居民区）在视觉特征上界限模糊，增加了模型区分难度，对算法的鲁棒性与泛化能力提出了更高要求。

常用场景

经典使用场景

在遥感影像分析领域，AID数据集作为基准测试工具，广泛应用于场景分类算法的性能评估。其包含的30类航拍场景，如机场、农田、森林等，为研究者提供了标准化的数据平台，用以训练和验证深度学习模型。通过该数据集，学者能够系统比较不同网络架构在复杂地理环境下的识别精度，推动遥感影像自动解译技术的发展。

解决学术问题

该数据集有效解决了遥感影像场景分类中样本多样性不足、标注标准不统一的学术难题。通过提供全球范围采集的万张高分辨率图像，AID为模型泛化能力研究奠定了数据基础，促进了跨地域场景识别算法的进步。其严谨的专业标注体系，显著提升了学术研究的可复现性，成为遥感领域算法评测的重要标尺。

实际应用

在实际应用中，AID数据集支撑着城市规划、环境监测、灾害评估等多个地理信息系统的开发。基于该数据训练的模型可自动识别城市功能区分布，辅助土地资源管理；在生态监测中，能够快速分类林地、水域等地表覆盖类型，为可持续发展决策提供数据支持。这些应用显著提升了遥感数据处理的自动化水平。

数据集最近研究

最新研究方向

在遥感影像分析领域，AID数据集作为基准测试工具，持续推动着场景分类技术的演进。当前研究聚焦于结合深度学习的多模态融合方法，通过整合光谱、纹理及空间上下文信息，提升复杂地物场景的辨识精度。随着高分辨率卫星影像的普及，学者们正探索基于注意力机制的Transformer架构，以捕捉遥感图像中的长距离依赖关系，应对类内差异与类间相似性挑战。该方向与全球智慧城市监测、环境变化评估等热点应用紧密相连，为自动化地理信息系统提供了关键的理论支撑与实践验证，显著促进了遥感解译技术向智能化、精细化方向发展。