Munich Building Floor Dataset

Munich Building Floor Dataset是一个包含6800多张地理标记图像的数据集，这些图像是从Mapillary和慕尼黑实地摄影中收集的，每张图像都与一个经过验证的楼层标签配对。数据集旨在用于评估从街景图像中估计建筑楼层数量的方法，数据集涵盖了各种建筑风格的建筑，为城市信息学、遥感和国土信息科学等领域的研究提供了基础。

The Munich Building Floor Dataset is a dataset comprising over 6,800 geotagged images collected from Mapillary and on-site photography conducted in Munich, with each image paired with a verified floor count label. This dataset is intended for evaluating methods that estimate the number of building floors from street view images. It covers buildings of diverse architectural styles, serving as a foundational resource for research in fields including urban informatics, remote sensing, and land information science.

原始信息汇总

Munich SVI Floor Benchmark 数据集概述

数据集简介

• 名称：munich-svi-floor-benchmark
• 用途：用于从众包街景图像中估算建筑物楼层数的数据和代码

数据集内容

• 包含用于建筑物楼层数估算的数据集和相关代码

数据集特点

• 数据来源：基于众包的街景图像
• 研究目标：建筑物楼层数估计

搜集汇总

数据集介绍

构建方式

Munich Building Floor Dataset的构建采用了多源数据融合的策略，主要整合了来自Mapillary平台的众包街景图像和针对性实地拍摄的高层建筑照片。研究团队首先通过Mapillary API获取慕尼黑边界内的街景图像，并利用Grounding DINO模型进行建筑物检测与裁剪，随后采用基于视场角计算的几何匹配算法将图像与城市LoD2数据库中的建筑 footprints 精确关联。为补充数据长尾分布，团队通过旅行商问题优化路线，对7层以上建筑进行定向采集，最终形成包含6,827张经语义分割和质量控制的标注图像。

特点

该数据集的核心特征体现在三维城市建模所需的垂直维度信息补充，其图像覆盖从1层至18层的建筑全高度谱系，尤其通过自主采集策略平衡了高层建筑的样本稀缺性。每张图像均包含经CityGML模型验证的真实楼层标签，且通过语义分割量化了建筑立面可见度、植被遮挡率等质量指标。数据空间分布呈现典型欧洲城市建筑特征，包含历史低层街区与现代高层塔楼的混合形态，为模型应对多样化建筑立面风格提供了测试基准。

使用方法

数据集支持端到端的深度学习框架开发，特别适用于结合分类-回归的混合建模方法。基准网络采用ResNet-50作为特征提取器，创新性地引入头-尾-尾切割策略（HTTC）解决类别不平衡问题，将楼层预测转化为有序分类任务。使用时可加载经几何校正的图像块，联合利用交叉熵损失和L1回归损失进行多任务训练。评估指标包含严格准确率、±1层容错准确率及平均绝对误差，特别设计的容错机制有效缓解了屋顶结构导致的标注模糊性问题。

背景与挑战

背景概述

Munich Building Floor Dataset由慕尼黑工业大学地球观测数据科学团队于2025年创建，旨在解决城市三维建模中建筑物层数信息缺失的核心问题。该数据集包含6,800余幅地理标记的街景图像，融合了Mapillary众包数据与定向拍摄的高层建筑影像，通过深度学习框架实现了81.2%的精确分类准确率。作为首个专注于建筑物垂直维度信息的大规模开源基准，该数据集为城市规划、灾害评估和能源建模等领域提供了关键数据支撑，推动了城市信息学与地理信息科学的交叉研究。

当前挑战

该数据集面临双重挑战：在领域问题层面，需克服建筑高度与层数非线性关系、屋顶结构多样性导致的标注模糊等难题；在构建过程中，需处理众包图像存在的遮挡、构图偏差问题（如36.7%的Mapillary初始数据因植被遮挡被过滤），并设计地理匹配算法解决非校准图像的建筑足迹对齐问题。针对高层建筑样本稀缺性，研究团队通过TSP路径优化实现了18层以下建筑的定向补拍，但超高层建筑（>18层）仍存在样本不足的局限性。

常用场景

经典使用场景

Munich Building Floor Dataset在建筑楼层数估计领域具有广泛应用，特别是在城市规划和地理信息系统研究中。该数据集通过结合众包街景图像和实地拍摄照片，为深度学习模型提供了丰富的训练样本。研究者可以利用该数据集开发端到端的深度学习框架，直接从街景图像中推断建筑楼层数，避免了传统手工特征提取的局限性。数据集中的图像涵盖了多样化的建筑风格和高度，为模型在不同城市环境中的泛化能力提供了保障。

解决学术问题

该数据集解决了建筑楼层数信息缺失这一关键学术问题。传统方法依赖人工调查或高度数据转换，但前者效率低下，后者因建筑结构复杂性而精度不足。通过提供6800多张带有验证标签的街景图像，该数据集支持开发自动化楼层数估计方法，显著提升了预测精度（81.2%准确率）。同时，它填补了城市垂直维度信息缺失的空白，为3D城市模型的完善奠定了基础。

衍生相关工作

该数据集衍生出多个经典研究方向，包括基于多任务学习的建筑属性联合估计、结合遥感数据的城市三维建模等。相关研究如FloorLevel-Net通过解析建筑立面特征提升楼层计数精度，而CG-Net等工作则探索了合成孔径雷达图像中的建筑高度估计。这些衍生工作共同推动了城市信息学的发展，为数字孪生城市构建提供了技术支持。