MLRSNet

arXiv2025-09-30 收录

下载链接：

https://github.com/cugbrs/mlrsnet

下载链接

链接失效反馈

官方服务：

资源简介：

该数据集包含109,161张图片，分为46个类别，适用于远程感知领域的实验研究。其规模较大，主要任务是进行图像分类。

This dataset contains 109,161 images divided into 46 categories, intended for experimental research in the field of remote perception. It has a large scale, and its primary task is image classification.

搜集汇总

数据集介绍

构建方式

在遥感影像语义场景理解领域，MLRSNet数据集的构建体现了系统性与严谨性。该数据集通过整合现有数据集的场景类别，并基于视觉检查为每幅图像分配多个地物类别标签，形成了包含46个场景类别与60个预定义标签的多层次标注体系。数据采集覆盖全球多区域，来源包括Google Earth的高分辨率光学卫星与航空影像，并经过严格的质量控制流程，通过多轮标注与置信度评分确保标注准确性。此外，通过量化相对多样性并针对特定类别进行数据增强，显著提升了数据集的泛化能力与代表性。

特点

MLRSNet数据集展现出多标签、大规模与高多样性的鲜明特点。其多标签标注体系突破了传统单标签数据集的局限，每幅图像可关联1至13个标签，能更精细地描述遥感影像中复杂的地物共存关系。数据规模宏大，涵盖109,161幅高分辨率影像，每类别样本量介于1,500至3,000之间，为深度学习模型提供了充足的训练资源。同时，数据集在空间分辨率、地理来源、季节光照及拍摄视角等方面具有高度异质性，这种内在多样性有助于提升模型在真实场景中的鲁棒性与泛化性能。

使用方法

MLRSNet数据集主要服务于多标签场景分类与图像检索等语义理解任务。研究者可利用该数据集训练卷积神经网络模型，通过替换输出层为具有60个节点的密集连接并采用Sigmoid激活函数，实现多标签预测。在评估方面，可采用平均精度均值与F1分数等指标衡量分类性能；对于图像检索任务，则可基于特征相似度计算进行检索排序，并通过平均归一化修正检索秩等指标量化检索效果。数据集支持不同比例的训练-验证-测试划分，便于进行模型比较与算法验证，为遥感场景理解研究提供了可靠的基准平台。

背景与挑战

背景概述

随着高分辨率遥感影像的日益普及，语义场景理解成为遥感与计算机视觉领域的研究热点。然而，传统单标签数据集难以充分描述遥感影像中复杂的多类别地物共存现象。为此，中国地质大学（北京）等机构的研究团队于近年构建了MLRSNet数据集，旨在为多标签场景分类与检索任务提供大规模标注数据。该数据集包含109,161张高分辨率遥感影像，涵盖46个场景类别与60个预定义标签，通过层级化、多标签和大规模特性，显著提升了深度学习模型在语义场景理解中的性能，填补了多标签遥感影像研究领域的空白。

当前挑战

MLRSNet致力于解决遥感影像语义场景理解中的多标签分类与检索问题，其核心挑战在于遥感影像中地物类别多样且相互关联，单标签标注无法准确反映场景的复杂性。构建过程中，研究团队面临标注一致性与数据多样性的双重挑战：一方面，需通过多人标注与置信度评估确保多标签标注的准确性，并处理类别边界模糊（如机场与跑道）的样本；另一方面，需从多分辨率、多地域、多时相的影像源中采集数据，以增强数据集的泛化能力，避免模型过拟合。

常用场景

经典使用场景

在遥感影像语义场景理解领域，MLRSNet数据集作为多标签高空间分辨率遥感影像的基准资源，其经典使用场景主要体现在多标签图像分类与检索任务中。该数据集通过提供包含46个场景类别、60个预定义标签的109,161张影像，为深度学习模型训练提供了丰富且结构化的多标签标注信息。研究者常利用MLRSNet评估卷积神经网络在多标签场景下的性能，例如通过微调InceptionV3、ResNet、DenseNet等架构，验证模型在复杂遥感影像中同时识别多个地物类别的能力。

衍生相关工作

基于MLRSNet的经典衍生工作主要集中在多标签深度学习方法的优化与扩展。例如，研究者利用该数据集验证了DenseNet201在多标签分类任务中的优越性，并进一步开发了融合图卷积的多标签检索框架。同时，MLRSNet促进了跨数据集迁移学习研究，如将ImageNet预训练模型与MLRSNet结合，提升模型对俯视角影像的适应性。此外，该数据集还催生了面向多标签弱监督分割的算法探索，推动了遥感影像解译技术向细粒度、多任务方向发展。

数据集最近研究