1. 遥感影像语义分割入门指南第一次接触遥感影像语义分割时我被那些五彩斑斓的土地分类图深深吸引。简单来说这就像给地球表面拍X光片——不同颜色代表不同地物类型比如蓝色是水域绿色是植被红色是建筑。这种技术能让计算机自动识别卫星图片中的各类地物在城市规划、农业监测等领域大显身手。要训练一个好的分割模型数据集就是它的教科书。我刚开始做项目时最头疼的就是找不到合适的数据。要么分辨率不够要么类别太少好不容易找到的数据标注还不准确。后来才发现选数据集就像选手机得看像素分辨率、内存数据量、摄像头标注质量这些硬指标。目前主流数据集主要来自三个渠道科研机构发布的基准数据集如ISPRS、企业开放的商用数据集如Maxar、以及各高校自建的专业数据集。根据我的经验新手建议从ISPRS这类经典数据集入手它们的标注质量有保障社区支持也完善。2. 经典基准数据集深度评测2.1 ISPRS双城记Vaihingen与PotsdamISPRS提供的这对双子星数据集堪称遥感界的MNIST。Vaihingen数据集覆盖32公顷区域包含33张正射影像分辨率达到9厘米。去年我用它做建筑提取时发现其标注精细到可以区分车库和主楼。Potsdam数据集则包含38张6000×6000像素的影像特别适合测试算法在大尺度场景下的表现。这两个数据集都有6类标注不透水面道路、广场建筑物低矮植被草坪、灌木树木车辆杂项背景实测发现Potsdam的密集建筑群对模型是更大挑战。有次我的模型在Vaihingen上能达到85%的IoU换到Potsdam直接掉到72%。后来通过增加注意力机制才解决这个问题。2.2 Massachusetts建筑数据集实战这个由MIT发布的数据集包含151张1.5km×1.5km的航拍图覆盖整个波士顿地区。我特别喜欢它的标注方式——直接使用OpenStreetMap的建筑轮廓数据这意味着标注能与现实世界保持同步更新。数据集划分很人性化训练集137张验证集4张测试集10张但要注意这个数据集只标注了建筑物单类别。去年帮某城市规划局做项目时我把它与OpenStreetMap的实时数据结合使用实现了建筑变化监测的周级更新。3. 场景识别数据集巡礼3.1 UC Merced土地利用数据集这个经典数据集就像遥感界的识字卡片包含21类场景各100张图片。我在带实习生时第一课就是让他们用这个数据集练手。虽然256×256的尺寸现在看起来有点小但其清晰的类别区分仍然很有教学价值。需要注意的几个特点空间分辨率0.3米全部来自USGS国家地图包含从农业区到网球场的多样化场景最近有团队对其进行了升级推出了256×256到512×512的多尺度版本更适合现代模型训练。3.2 WHU_RS19的高分辨率魅力武汉大学发布的这个数据集最大特点就是0.5米的高分辨率。600×600的尺寸在当时2011年可谓大手笔现在看仍然够用。我特别喜欢它的机场类样本能清晰看到跑道标记和停机坪。19个类别设计很实用交通类机场、桥梁、高架桥城市类商业区、工业区、住宅区自然类沙漠、森林、河流曾用它做过一个港口货物堆积检测系统准确率比用低分辨率数据提升了近20%。4. 大规模前沿数据集解析4.1 BigEarthNetSentinel-2的宝藏这个巨无霸数据集包含59万张Sentinel-2卫星影像覆盖整个欧洲。第一次下载时我的硬盘差点崩溃。它的最大价值在于多光谱波段——包含13个光谱通道远超普通RGB图像。几个关键技术参数空间分辨率10-60米图像块大小120×120像素10米波段标注体系基于CORINE土地覆盖分类去年做农作物分类时发现它的红边波段对区分小麦和玉米特别有效。不过要注意其标注是patch级别的不适合做精细分割。4.2 GID国产高分卫星的骄傲基于高分二号卫星的GID数据集让我倍感自豪。150景6800×7200的超大图像标注精细到可以区分稻田和旱地。最实用的是它的双版本设计GID-5基础5类适合快速验证GID-15精细15类挑战性十足在南方某省做土地调查项目时GID-15的园地类别帮我们准确识别了柑橘种植区。数据集还贴心提供了训练集/验证集划分节省了大量预处理时间。5. 数据集选型实战指南5.1 根据任务类型选择做建筑提取时我会首选ISPRSMassachusetts组合做土地分类则倾向GIDBigEarthNet。去年做城市扩张分析就是把Potsdam的历史数据与最新Google Earth影像结合使用。几个常见场景的推荐组合城市规划ISPRSOpenStreetMap农业监测GIDSentinel-2时序数据灾害评估xBD无人机应急数据5.2 数据融合技巧单一数据集往往不够用。我常用的融合策略包括空间尺度融合用高分辨率数据微调低分辨率预训练模型时间序列融合结合Sentinel-2的10天重访周期数据跨传感器融合比如把SAR数据与光学影像结合最近一个洪涝监测项目中我们融合了GID的精细标注和Sentinel-1的雷达数据实现了全天候监测。6. 数据处理避坑手册6.1 常见标注问题处理遇到过标注偏移、类别不平衡等各种坑。现在我的标准预处理流程包括标注一致性检查用QGIS可视化类别重映射合并相似类别数据增强特别是旋转和色彩扰动有个项目因为没检查标注偏移导致模型在推理时要额外做5个像素的补偿这个教训让我至今记忆犹新。6.2 计算资源优化大尺寸影像处理很吃资源。我的经验是先用低分辨率预览整个数据集采用滑动窗口策略处理大图使用PyTorch的Dataloader预加载对于GID这样的超大图我会先用GDAL提取ROI再把切片存入HDF5文件训练效率能提升3倍以上。