jonathan-roberts1/RS_C11

该数据集名为RS_C11，主要用于图像分类和零样本图像分类任务。数据集包含图像和标签两个特征，标签类别包括密集森林、草地、港口、高层建筑、低层建筑、立交桥、铁路、住宅区、道路、稀疏森林和储罐等11种场景。数据集分为训练集，包含1232个样本，总大小为969136595.28字节。This dataset is named RS_C11, which is primarily intended for image classification and zero-shot image classification tasks. It includes two features: images and labels. The label categories cover 11 scene types, including dense forest, grassland, port, high-rise buildings, low-rise buildings, overpass, railway, residential area, road, sparse forest, and storage tank. The dataset is split into a training set, which contains 1232 samples with a total size of 969,136,595.28 bytes.

原始信息汇总

数据集概述

数据集名称

• RS_C11

数据集特征

• image: 图像数据
• label: 类别标签，包括以下类别：
  • 0: dense forest
  • 1: grassland
  • 2: harbor
  • 3: high buildings
  • 4: low buildings
  • 5: overpass
  • 6: railway
  • 7: residential area
  • 8: roads
  • 9: sparse forest
  • 10: storage tanks

数据集划分

• train: 训练集，包含1232个样本，总大小为969136595.28字节

数据集大小

• 下载大小: 916398984字节
• 数据集总大小: 969136595.28字节

许可信息

• 免费使用，无需特定许可证

任务类别

• image-classification
• zero-shot-image-classification

搜集汇总

数据集介绍

构建方式

遥感图像场景分类是地理空间智能分析中的核心任务之一，而高质量标注数据集是驱动该领域算法发展的关键基石。RS_C11数据集由研究者Zhao等人于2016年提出，旨在为遥感影像的细粒度场景理解提供标准化评估基准。该数据集通过从高分辨率遥感影像中精心选取与裁剪图像块构建而成，共涵盖11个具有代表性的地物场景类别，包括密林、草地、港口、高层建筑、低层建筑、立交桥、铁路、居民区、道路、稀疏森林及储油罐。每个类别均包含约112张样本，总计1232张图像，并按照标准划分方式统一存放于训练集中，确保类别分布的均衡性与实验的可复现性。数据集以图像-标签对的形式组织，标签采用整数编码映射至对应场景名称，方便直接用于有监督学习任务。

特点

RS_C11数据集在遥感场景分类领域展现出鲜明的结构特点与实用价值。其类别设计兼顾了自然景观与人工构筑物的多样性，既有密林、草地等生态用地类型，也包含港口、立交桥、储油罐等复杂人造目标，能够有效评估模型对异构地物的判别能力。每张图像均源自真实遥感影像，保留了原始的空间分辨率与纹理细节，为基于视觉词袋或深度学习的分类方法提供了丰富的底层特征。数据集规模虽不大，但样本质量较高，类别间视觉差异显著，特别适用于小样本学习场景下的算法验证与迁移学习研究。此外，数据集采用宽松的许可协议，允许免费使用，降低了学术研究与工程应用的门槛。

使用方法

RS_C11数据集主要服务于图像分类与零样本图像分类两大任务场景，其使用方法灵活且兼容主流深度学习框架。用户可直接通过HuggingFace Datasets库加载数据集，利用内置的'image'与'label'字段获取图像张量及对应的类别索引。在模型训练阶段，建议将图像统一缩放至固定尺寸（如224×224像素），并采用随机翻转、色彩抖动等数据增强策略以提升泛化能力。对于零样本分类任务，可借助预训练的视觉-语言模型（如CLIP），将11个类别名称转换为文本嵌入，与图像特征进行相似度匹配。评估时可采用整体准确率作为主要指标，亦可针对每类计算精确率与召回率，以深入分析模型在不同场景上的表现差异。

背景与挑战

背景概述

遥感图像场景分类是地球观测与计算机视觉交叉领域中的核心任务，旨在从高分辨率遥感影像中自动识别地理空间类别，如森林、建筑区、港口等。RS_C11数据集由赵利军、唐娉和霍连志等研究人员于2016年提出，源自其发表于《Journal of Applied Remote Sensing》的论文，旨在推动基于视觉词袋模型的遥感场景理解研究。该数据集包含11个细粒度类别，共计1232幅训练样本，覆盖了从密集森林、稀疏森林到高架桥、储油罐等多样化的地物类型，为评估遥感图像特征表达与分类算法提供了标准化基准。其发布为早期深度学习尚未普及时期的遥感场景识别研究奠定了重要数据基础，尤其在多视觉词袋特征显著性分析方面产生了深远影响。

当前挑战

RS_C11数据集所面临的挑战首先体现在领域问题上：遥感图像场景分类需克服类内差异大与类间相似性高的难题，例如低层建筑与高层建筑、草地与稀疏森林在视觉特征上可能高度混淆，对分类器的判别力提出严苛要求。此外，数据集的构建过程亦存在显著挑战：仅包含1232个样本且类别分布不均，有限的数据量难以支撑复杂深度模型的训练，易引发过拟合；同时，遥感影像的多尺度、多角度与光照变化特性，使得从原始图像中提取鲁棒且具有语义不变性的特征成为关键瓶颈。这些挑战共同制约了模型在真实遥感应用中的泛化能力与识别精度。

常用场景

经典使用场景

RS_C11数据集是遥感图像场景分类领域中的经典基准之一，其涵盖11种精细地物类别，包括密林、草地、港口、高层建筑、低层建筑、立交桥、铁路、居民区、道路、稀疏林地和储油罐。该数据集常被用于评估和对比不同图像表示方法在场景级遥感影像上的分类性能，尤其是在视觉词袋模型及其变体的研究中。研究者通过提取局部特征并构建视觉词典，检验模型对复杂地理空间模式的判别能力。RS_C11因其适中的规模和明确的地物语义，成为验证浅层特征表达与分类器设计有效性的标准平台。

解决学术问题

该数据集的核心学术价值在于解决遥感影像场景分类中特征表达能力不足的问题。传统方法难以捕捉高分辨率遥感图像中地物间的语义关联，而RS_C11为研究基于视觉词袋的多特征融合策略提供了标准评估环境。论文提出的特征显著性多视觉词袋模型，通过挖掘不同局部特征的区分性贡献，显著提升了场景分类的准确率。该数据集推动了从手工特征到语义特征表示的研究范式转变，揭示了特征选择与组合在遥感场景理解中的关键作用，为后续深度学习方法的兴起奠定了对比基准。

衍生相关工作

RS_C11数据集衍生了一系列经典工作，成为遥感场景分类领域的重要参照。基于该数据集，研究者提出了多尺度视觉词袋模型、空间金字塔匹配方法以及融合全局与局部特征的混合表示框架。此外，随着深度学习的发展，许多工作以RS_C11为基准，对比卷积神经网络与传统方法的优劣，推动了迁移学习和预训练模型在遥感领域的应用。该数据集还催生了针对类别不平衡问题的重采样策略研究，以及面向小样本场景的元学习探索，持续影响着遥感图像理解的技术演进。