gymprathap/Semantic-Segmentation-Aerial-Imagery-Dataset

该数据集包含由MBRSC卫星拍摄的迪拜航拍图像，并进行了像素级语义分割，涵盖6个不同的类别。数据集共包含72张图像，这些图像被组织成6个较大的图块。

原始信息汇总

数据集概述

基本信息

• 许可证: cc-by-4.0
• 任务类别: feature-extraction
• 语言: en
• 标签: climate
• 美观名称: Semantic segmentation of aerial imagery
• 规模类别: n<1K

数据集描述

• 数据来源: 由MBRSC卫星获取的迪拜航拍图像
• 数据内容: 包含72张图像，分为6个大块，每张图像带有像素级的语义分割标注
• 类别数量: 6个不同的类别

数据集发布

• 发布机构: Humans in the Loop
• 合作项目: 与迪拜的Mohammed Bin Rashid Space Centre合作项目

搜集汇总

数据集介绍

构建方式

该数据集源自穆罕默德·本·拉希德航天中心（MBRSC）在迪拜采集的卫星航空影像，经由人工标注实现像素级语义分割。整体构建基于6个大尺寸瓦片，进一步切分为共计72幅图像，覆盖6个不同地物类别。标注过程严格遵循高精度标注协议，确保每一像素均被准确归类。数据集的构建旨在支持遥感领域的语义分割研究，特别是面向城市环境下的地物识别任务，为深度学习模型训练提供高质量、小规模但类别均衡的标注样本。

特点

数据集最显著的特点在于其来源为高分辨率卫星遥感影像，具备真实城市景观的复杂性与多样性。六类标注涵盖建筑、道路、植被、水体、裸地及背景，类别设置贴近实际应用需求。尽管总体样本量较小（72幅图像），但每一幅图像均包含丰富的空间细节与语义信息，适合用于模型快速验证与小样本学习研究。此外，数据集采用CC-BY-4.0许可协议，开放获取，降低了研究者的使用门槛。

使用方法

该数据集适用于基于深度学习的语义分割任务，可直接用于训练诸如U-Net、DeepLab、SegFormer等主流分割模型。使用时需将图像与对应的像素级标签配对输入，建议采用交叉熵损失函数进行优化。由于图像尺寸较大，可结合滑动窗口或随机裁剪策略进行训练，以提升模型对局部特征的捕获能力。同时，数据集也可作为迁移学习的预训练数据，或与其他遥感数据集联合使用以增强泛化性能。评估指标推荐采用mIoU（平均交并比）与像素准确率。

背景与挑战

背景概述

遥感影像语义分割是地理空间分析领域的关键任务，旨在为航空图像中的每个像素赋予预定义的类别标签，从而实现对地表覆盖的精细化解析。该数据集由迪拜穆罕默德·本·拉希德航天中心（MBRSC）与Humans in the Loop合作创建，发布于2023年，包含72幅覆盖迪拜地区的航空图像，并经过像素级标注，划分为建筑、道路、植被等6个语义类别。其核心研究问题在于推动高分辨率遥感数据的分割算法发展，为城市规划、环境监测和气候变化研究提供基础支撑。该数据集以有限的样本量（约1K以下）聚焦于特定地理区域，成为评估小样本学习与迁移学习技术在遥感领域效能的基准资源。

当前挑战

该数据集面临的首要领域挑战是遥感影像语义分割中类别不平衡与复杂地物边界模糊的问题，例如建筑物阴影与道路的混淆，以及植被与裸地间的光谱相似性，这要求模型具备鲁棒的特征提取能力。在构建过程中，挑战尤为突出：仅72幅图像需从原始卫星影像中精准裁剪并保持空间一致性，同时手动标注6个类别时需克服像素级标注的高人力成本与主观偏差。此外，数据集规模较小（n<1K）限制了深度学习模型的泛化能力，易导致过拟合，亟需通过数据增强或域适应技术缓解。这些困难共同制约着模型在真实场景中的部署可靠性。

常用场景

经典使用场景

该数据集以迪拜地区高分辨率卫星影像为基础，提供了覆盖6类地物类别的像素级语义分割标注，包括建筑、道路、植被、水体、裸地及背景区域。其经典使用场景集中于遥感图像语义分割模型的训练与评估，研究者可借助72张精心挑选的影像（组织为6张大图块）开展小样本条件下的密集预测任务，推动深度学习架构在航空影像理解中的泛化能力验证。

解决学术问题

该数据集有效解决了城市遥感领域中高质量标注数据稀缺的学术难题，特别是针对中东干旱地区复杂地物分布的场景。它支持模型在有限样本下学习多类别分割的鲁棒特征，促进了对小样本学习、迁移学习及域适应等前沿方法的探索。其发布的意义在于为城市扩张监测、土地利用分类等研究提供了标准化基准，推动了遥感与计算机视觉交叉领域的实证进展。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于U-Net、DeepLabV3+等分割网络的基线模型，以及针对遥感影像特点改进的注意力机制与多尺度特征融合方法。研究者还利用该数据集探索了自监督预训练策略和生成对抗网络用于数据增强的技术，有效缓解了标注样本不足的问题。此外，该数据集常被用作域适应研究的基准，推动模型从源域（如迪拜）向其他城市场景的泛化能力提升。