JL1-CD

JL1-CD数据集是一个新的高分辨率、全包容的开源变化检测数据集，由5,000对512×512像素的图像组成，分辨率在0.5到0.75米之间。该数据集不仅包含了常见的人类活动引起的变化，如建筑物和道路，还包含了各种自然变化，如森林、水体和草原。该数据集由吉林一号卫星命名，旨在推动遥感图像变化检测领域的研究。

JL1-CD dataset is a novel high-resolution, fully inclusive open-source change detection dataset. It comprises 5,000 pairs of 512×512 pixel images with a spatial resolution ranging from 0.5 to 0.75 meters. This dataset encompasses not only common human-induced changes such as buildings and roads, but also diverse natural alterations including forests, water bodies, and grasslands. Named after the Jilin-1 satellite, this dataset is developed to advance research in the field of remote sensing image change detection.

AI搜集汇总

数据集介绍

构建方式

为了应对高分辨率、全范围开源变化检测数据集的稀缺性以及处理具有不同变化面积图像时一致性检测结果的难题，研究人员构建了JL1-CD数据集。该数据集包含5,000对512×512像素的图像，分辨率为0.5至0.75米。数据集的构建过程涉及收集和预处理中国地区的卫星图像，确保图像包含广泛的人类诱导和自然表面变化类型，如建筑、道路、森林、水体和草地。此外，还通过引入多教师知识蒸馏（MTKD）框架来优化变化检测，该框架利用多个教师模型的知识来训练学生模型，以提高检测精度和减少推理过程中的资源消耗。

使用方法

JL1-CD数据集的使用方法涉及三个主要步骤：数据预处理、模型训练和模型评估。首先，对收集的卫星图像进行预处理，包括裁剪、归一化和标签分配。然后，使用多教师知识蒸馏框架训练变化检测模型，该框架利用多个教师模型的知识来训练学生模型。在训练过程中，根据图像的变化面积比（CAR）将数据集分为不同的分区，并在每个分区上训练相应的模型。最后，使用交叉熵损失和蒸馏损失来评估模型性能，并选择性能最优的模型进行推理。此外，JL1-CD数据集还提供了开源代码和模型，方便研究人员进行实验和评估。

背景与挑战

背景概述

遥感图像变化检测（CD）是一种利用多时相数据来检测和分析地表变化的技术。近年来，深度学习在该领域取得了显著的成果，但仍存在两个主要挑战：缺乏高分辨率、全包容的开源CD数据集，以及难以在不同变化区域大小的图像中实现一致且满意的检测结果。为了解决这些问题，我们引入了JL1-CD数据集，该数据集包含5,000对512 × 512像素的图像，分辨率为0.5至0.75米。此外，我们还提出了一种多教师知识蒸馏（MTKD）框架用于CD。在JL1-CD和SYSU-CD数据集上的实验结果表明，MTKD框架显著提高了各种网络架构和参数大小的CD模型的表现，实现了新的最先进的结果。代码可在https://github.com/circleLZY/MTKD-CD上获得。

当前挑战

JL1-CD数据集和相关研究面临的主要挑战包括：1) 缺乏高分辨率、全包容的开源CD数据集；2) 在具有不同变化区域大小的图像中实现一致且满意的检测结果的困难。为了解决这些挑战，研究人员构建了JL1-CD数据集，并提出了MTKD框架。实验结果表明，MTKD框架显著提高了CD模型在各种网络架构和参数大小上的表现，实现了新的最先进的结果。

常用场景

经典使用场景

在遥感图像变化检测（CD）领域，JL1-CD数据集因其高分辨率、全面性和大规模性而被广泛采用。该数据集包含5000对512×512像素的图像，分辨率为0.5至0.75米，涵盖了人类诱导变化和自然变化的多种类型，为研究者提供了丰富的数据资源。基于JL1-CD数据集，研究人员可以训练和评估变化检测模型，从而提高模型在处理不同变化区域时的准确性和一致性。

解决学术问题

JL1-CD数据集解决了遥感图像变化检测领域两个主要挑战：高分辨率、全面性开源CD数据集的稀缺性，以及在不同变化区域图像上实现一致和满意检测结果的困难。该数据集提供了大量的图像对，涵盖了各种变化类型，为研究者提供了更全面的数据资源。同时，JL1-CD数据集还引入了多教师知识蒸馏（MTKD）框架，该框架能够有效提高变化检测模型在不同变化区域图像上的性能，解决了现有算法在处理动态变化区域时的局限性。

实际应用

JL1-CD数据集在实际应用中具有广泛的应用场景，如土地利用变化更新、自然灾害评估、环境监测和城市规划等。基于JL1-CD数据集训练的变化检测模型可以用于监测和分析地表变化，为相关领域的决策提供科学依据。此外，JL1-CD数据集还可以用于训练和评估其他遥感图像处理任务，如目标检测、语义分割等，从而推动遥感图像处理技术的发展。

数据集最近研究

最新研究方向

遥感图像变化检测（CD）技术在地球表面观测中扮演着关键角色，特别是在土地利用变化更新、自然灾害评估、环境监测和城市规划等领域。然而，现有的变化检测方法面临着两个主要挑战：缺乏高分辨率、全面的开放源CD数据集，以及难以在具有不同变化区域大小的图像上实现一致且令人满意的检测结果。为了应对这些挑战，研究人员提出了JL1-CD数据集，该数据集包含5,000对分辨率为0.5至0.75米的512×512像素图像。此外，还提出了一个多教师知识蒸馏（MTKD）框架，用于变化检测优化。实验结果表明，MTKD框架显著提高了CD模型在各种网络架构和参数大小下的性能，实现了新的最先进结果。

相关研究论文

• JL1-CD: A New Benchmark for Remote Sensing Change Detection and a Robust Multi-Teacher Knowledge Distillation Framework

  清华大学电子工程系，北京国家信息科学与技术研究中心 · 2025年