NWPU-Traffic

NWPU-Traffic是由西北工业大学构建的大规模遥感交通目标分割数据集，旨在解决现有数据集在目标类别、场景多样性和图像时效性方面的局限。该数据集包含1,479张高分辨率遥感图像，涵盖汽车、飞机、船舶和火车四类交通目标，实例总数达31,628个，数据来源于全球7个国家49个城市的多样化环境。数据集通过专业标注团队进行实例级精细标注，并严格进行质量检验，确保了标注的精确性与一致性。该数据集主要应用于遥感图像语义分割领域，为智能交通、城市规划及应急响应等任务提供关键数据支撑，以提升模型在复杂真实场景下的泛化与分割能力。NWPU-Traffic is a large-scale remote sensing traffic object segmentation dataset constructed by Northwestern Polytechnical University, which aims to address the limitations of existing datasets in terms of object categories, scene diversity and image timeliness. This dataset contains 1,479 high-resolution remote sensing images, covering four types of traffic objects including cars, airplanes, ships and trains, with a total of 31,628 instances. The data is collected from diverse environments across 49 cities in 7 countries worldwide. The dataset undergoes fine-grained instance-level annotation by professional annotation teams and strict quality inspection, ensuring the accuracy and consistency of annotations. This dataset is mainly applied in the field of remote sensing image semantic segmentation, providing critical data support for tasks such as intelligent transportation, urban planning and emergency response, so as to improve the generalization and segmentation capabilities of models in complex real-world scenarios.

原始信息汇总

NWPU-Traffic 数据集

地址： https://github.com/CVer-Yang/NWPU-Traffic

简介： NWPU-Traffic 是首个综合遥感数据集，覆盖了汽车、船只、飞机和火车四类交通目标。

数据集获取： 该数据集已公开发布，可通过以下链接下载： https://drive.google.com/drive/folders/1LobucN-znqknQrHJs0_jZcqJfAaqt1qz?hl=zh-cn

相关代码： 该数据集对应的算法代码已发布，代码基于 GeoSeg（https://github.com/WangLibo1995/GeoSeg）实现。

搜集汇总

数据集介绍

构建方式

NWPU-Traffic数据集的构建始于对全球交通场景的系统性采集，覆盖中国、美国、日本、韩国、泰国、阿联酋和澳大利亚等7个国家49座城市的典型交通设施，包括城市中心、机场、港口及火车站。图像数据源自2020至2024年间的高分辨率卫星遥感影像，空间分辨率介于0.12至0.5米/像素。在标注阶段，由三名具备遥感影像解译经验的专业人员组成团队，对图像中的车辆、飞机、船舶和列车四类交通目标进行逐实例的精确标注，生成精细的多边形分割掩码，并通过编码将掩码转换为旋转边界框以增强可视化效果。所有标注结果均经过专家组的严格质检，确保边界准确、类别无误。最终数据集包含1,479张图像，共计31,628个实例，平均每张图像含21.38个目标，形成类别全面、场景多样的高质量标注资源。

使用方法

该数据集主要用于遥感图像中交通目标的语义分割任务，研究者可基于提供的1,479张图像及对应的实例级掩码进行模型训练与评估。论文建议按7:1:2的比例划分训练集、验证集和测试集，以保障区域代表性并避免地理偏差。在模型部署时，输入图像被随机裁剪为512×512的补丁，并采用缩放（比例0.5至1.5）、翻转、旋转等数据增强策略以提升鲁棒性。对于基线评测，论文在NWPU-Traffic上建立了涵盖DeepLabv3+、UNetFormer、CMLFormer等多种主流分割网络的基准，推荐使用IoU、mIoU、OA和F1-score等指标全面评估性能。数据集及配套代码已开源于GitHub，便于社区复现与扩展应用。

背景与挑战

背景概述

NWPU-Traffic数据集由西北工业大学智能光电与信息处理研究院（iOPEN）的Zhigang Yang等研究人员于2025年创建，聚焦于遥感图像中交通目标分割这一核心研究问题。遥感影像在评估区域交通能力方面具有不可替代的作用，然而现有分割数据集普遍存在目标类别匮乏、场景多样性不足等短板，严重制约了模型对真实世界中复杂交通场景的综合理解能力。该数据集涵盖汽车、飞机、船舶和火车四类交通目标，包含来自7个国家49个城市的1479张高分辨率影像，提供了实例级别的精细标注，且影像主要采集于2020年后，具有出色的时效性。NWPU-Traffic的发布填补了遥感交通分割领域缺少大规模、多类别、多场景基准数据的空白，为智能交通分析与城市规划研究注入了新的活力。

当前挑战

NWPU-Traffic数据集所应对的挑战可从两个维度加以审视。在领域问题层面，遥感交通目标分割面临尺度剧烈变化（从小型汽车到大型飞机）、目标任意朝向及形状多变等棘手难题，现有模型在融合浅层空间信息与深层语义特征时易导致边界模糊与关键区域激活不足，且统一化的处理方式难以兼顾多尺度目标的精准分割。在数据集构建层面，团队遭遇了数据来源碎片化、标注一致性维系等现实困境：需从全球49个城市的海量遥感影像中系统筛选典型交通场景，并组织专业标注团队历经详尽标注与严格质检两阶段，以确保多边形分割掩码的几何精度与类别正确性。此外，保证低光照、遮挡和高密度等复杂场景的充分覆盖，对数据采集与质量控制提出了极高要求。

常用场景

经典使用场景

NWPU-Traffic数据集最经典的使用场景聚焦于遥感图像中交通目标的分割任务，涵盖汽车、飞机、船舶和列车四类核心对象。该数据集凭借其跨越7个国家49座城市的多样场景和实例级精细标注，成为评估和推动语义分割模型在复杂交通环境下性能的权威基准。研究者常将其作为训练与测试平台，以验证多尺度特征融合、空间-通道信息保留等分割算法的鲁棒性，尤其适用于低光照、遮挡和密集目标交织的具有挑战性的典型场景。

解决学术问题

该数据集有效解决了现有遥感分割数据集在目标类别覆盖不全、场景多样性匮乏及影像时效性滞后三方面的核心瓶颈。传统数据集如HRSC2016和UCAS-AOD多局限于单一类别或特定地理区域，而NWPU-Traffic首次系统性整合了四类交通目标并纳入全球多元素场景，为跨区域、跨类别的通用型模型研究提供了坚实的数据支撑。它的出现弥补了列车等必要交通目标在分割研究中的缺位，显著推动了综合交通能力评估与智能化分析方法的发展，具有里程碑式的学术意义。

实际应用

在实际应用中，NWPU-Traffic数据集赋能了智慧交通监测、城市基础设施规划与应急响应等关键领域。基于其高质量标注的影像，可以训练出在卫星或无人机视野下精准识别并分割交通流量、评估港口或机场密集度、及监测铁路沿线状况的智能模型。例如，在港口场景中，模型能清晰区分密集停泊的船舶；在城市阴影区，也能准确捕捉被遮挡的车辆，为实时交通态势感知与区域交通容量评估提供了高可靠性的技术手段。

数据集最近研究

最新研究方向

NWPU-Traffic数据集的最新研究方向聚焦于遥感影像中交通目标的精细化语义分割，尤其针对多尺度、任意朝向及复杂背景下的车辆、飞机、船舶与火车等目标。当前研究前沿致力于克服现有数据集在类别覆盖、场景多样性和影像时效性上的局限，通过引入空间-通道保持的特征交互网络与局部-全局自适应解码器，显著提升模型对密集场景、阴影遮挡及跨区域环境的鲁棒分割能力。该数据集覆盖全球7国49座城市，包含2020至2024年的最新影像，为智慧交通与城市评估提供了重要基准，推动了遥感交通目标识别从单一检测向实例级分割的范式演进。

相关研究论文

• A Large-Scale Dataset and a New Method for RemoteSensing Traffic Object Segmentation

  西北工业大学·人工智能学院; 西北工业大学·计算机学院; 西北工业大学·软件学院 · 2026年