OpenEarthMap 与 xBD 数据集合并

通过卫星图像监测火灾造成的损失

我们根据 xBD 数据集中的标签定义将类别定义为“无建筑物”、“无损坏”、“轻微损坏”、“严重损坏”和“已毁坏”。左：山火后的卫星图像©Maxar Technologies2023，右：分割预测（白色：“无建筑物”，灰色：“无损坏”，绿色：“轻微损坏”，橙色：“严重损坏”，红色：“被摧毁”）左：山火发生前的卫星图像©Airbus2023，右：分割预测（白色：“无建筑物”，灰色：“无损坏”，绿色：“轻微损坏”，橙色：“严重损坏”，红色：“被摧毁”），由成对的“之前”和“之后”灾难图像组成。

自然灾害分类数据集13306张8类别.7z

数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：13306 分类类别数：8 类别名称:["drought","earthquake","infrastructure","land_slide","non_damage","urban_fire","water_disaster","wild_fire"] 每个类别图片数： drought 图片数：201 earthquake 图片数：35 infrastructure 图片数：1417 land_slide 图片数：453 non_damage 图片数：9237 urban_fire 图片数：418 water_disaster 图片数：1035 wild_fire 图片数：510 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放

OpenEarthMap-SAR:A Benchmark Synthetic Aperture Radar Dataset forGlobal High-Resolution Land Cover

高分辨率土地覆被制图在应对广泛的全球挑战方面发挥着至关重要的作用，包括城市规划、环境监测、灾害响应和可持续发展。然而，由于地理空间数据固有的复杂性（例如不同的地形、不同的传感器模式和大气条件），创建准确的大规模土地覆被数据集仍然是一项重大挑战。合成孔径雷达 （SAR） 影像能够在全天候、昼夜条件下穿透云层并捕获数据，为土地覆盖制图提供了独特的优势。尽管具有这些优势，但缺乏为 SAR 影像量身定制的基准数据集限制了专门为这种数据模态设计的稳健模型的开发。

暴雨之后，评估与重建可以用这个数据集

By 超神经场景描述：连续多日的暴雨给郑州和河南部分城市，带来了严重的洪涝灾害，牵动了全国人民的心。灾难面前，现阶段的科技和具体解决方案，也能发挥出关键作用。关键词：自然灾害 遥感影像图...

一键构建xBD建筑灾害语义级变化检测/建筑分割提取可执行数据集（可直接用于模型训练/验证）

本文介绍了一个用于处理xBD灾害数据的Python脚本，主要功能包括文件整理、掩码值转换、JSON文件更新、灾害标签生成和伪彩色转换。脚本通过命令行参数控制执行步骤，支持批量处理多个源目录中的数据。具体步骤包括：1) 文件整理，去除文件名中的“_pre”和“_post”后缀，并将文件分类存储；2) 掩码值转换，将0-1范围的掩码值转换为0-255；3) JSON文件更新，修改JSON文件中的图像名称；4) 灾害标签生成，根据前后灾图像生成灾害等级标签；5) 伪彩色转换，将单通道掩码转换为伪彩色图像。

OpenEarthMap:全球高分辨率土地覆盖制图的基准数据集(开源来下载！！！)

ai[3]、AIRS[8]、GeoNRW[1]、HTCD[38]等数据集，基于源图像可再分发、地面采样距离(GSD)等于或小于0.5m、图像具有地理坐标信息的条件。如果有足够多的区域图像，我们以省或城市的尺度定义该区域，我们以1024×1024像素的大小采样该区域的50-70张图像。我们采用的每个数据集中的图像数量是根据拍摄图像的大陆和国家的多样性和平衡来确定的。对于现有数据集未覆盖的国家和地区，收集了这些国家或地区公开的航空图像，以减轻区域差距，这是大多数现有基准数据集存在的问题。

OpenEarthMap与xBD数据集合并：遥感多任务分割实战指南

语义分割是遥感智能解译的基础任务，但单一数据集往往只覆盖特定目标或场景。实际工程中，当需要同时识别地物类别与建筑损坏状态时，数据集融合就成了关键挑战。本文以OpenEarthMap与xBD的合并为例，讲解如何将土地覆盖语义分割和建筑损坏评估两个任务统一到同一套数据管道中。从类别映射、坐标对齐到多任务模型设计，系统梳理了一套可复用的工程方法。合并后的数据集支持单模型同时输出地物类别与建筑损坏等级，在灾害快速评估、城市变化检测等场景中能显著降低推理成本并提升小样本类别性能。本文还提供了完整的代码实现和踩坑记录，

OpenEarthMap与xBD合并实战：遥感语义分割与灾害评估多任务数据集

语义分割与灾害评估是遥感智能解译中的两大核心任务，分别回答“地物是什么”与“建筑损毁程度如何”。两者所用的数据集在标注体系、空间基准上差异很大，通常各走各路。多任务学习为二者结合提供了可能：让模型在同一特征空间里同时学习地物边界与损毁语义，既能避免废墟被误判为裸地，也能提升建筑级灾害评估的稳健性。本文基于OpenEarthMap与xBD的标签级合并实践，完整介绍了数据剖析、投影统一、栅格化标签融合、双通道标注设计以及训练阶段的多任务优化策略，并整理了常见边缘对齐与样本失衡问题的排查思路，为构建遥感语义与灾损

结合OpenEarthMap与xBD的多源遥感数据合并训练与评估实战

语义分割是遥感图像智能解译的核心任务之一，而数据多样性直接决定了深度学习模型的泛化能力。在实际灾害评估场景中，单一数据集往往面临样本规模小、建筑形态单一、类别分布失衡等局限，多源遥感数据融合能有效弥补这些短板。然而，直接拼接不同来源的数据集会引发标签体系冲突、坐标基准差异和任务定义不一致等工程问题。本文以OpenEarthMap与xBD的合并为例，系统讲解标签空间映射、几何与分辨率统一、样本质量筛选及按城市/事件划分的训练集构建原理，并结合Dice Loss与Focal Loss解决类别不平衡问题。这一套方

【遥感图像】数据集合集！

根据所提供的指导，我们还提供了一个构建 RS 图像数据集的示例，即 Million-AID，这是一个新的大型基准数据集，包含用于 RS 图像场景分类的一百万个实例。新数据集由以下30种航空场景类型组成: 机场，裸地，棒球场，海滩，桥梁，中心，教堂，商业，密集住宅，沙漠，农田，森林，工业，草甸，中等住宅，山地，公园，停车场，游乐场，池塘，港口，火车站，度假村，河流，学校，稀疏住宅，广场，体育场，储罐和高架桥。武汉大学·中国科学院·慕尼黑工业大学·德国航空航天中心·特温特大学。中国科学院·中国科学院大学。

CV论文--2024.2.1

我们提出了一种新的尺度蒸馏方法来训练我们的SR模型。我们并非直接在感兴趣的尺度因子上训练SR模型，而是先在较小的放大比例上训练一个教师模型，从而使教师的SR问题更简单。我们尺度蒸馏的理念是，教师通过提供适应当前噪声水平的目标，而不是使用来自所有噪声水平的相同的真实数据的目标，来帮助学生扩散模型训练，并提供一个准确的目标，因为教师有一个更简单的任务要解决。为了解决这个限制，我们引入了YOLO-World，这是一种创新的方法，通过视觉语言建模和在大规模数据集上的预训练，增强了YOLO在开放词汇检测方面的能力。

A review of multi-class change detection for satellite remote sensing imagery

CD技术通过分析同一地理区域在不同时间获取的多时相遥感影像，来识别地面物体的变化。该技术对环境监测、城市扩张与重建以及灾害评估等研究领域具有重要意义。传统BCD主要关注变化区域和非变化区域，无法提供更细致的土地利用和覆盖（Land Use and Land Cover, LULC）变化信息。随着地球观测卫星技术的不断进步，遥感影像的空间分辨率不断提高，使得多类别变化检测（Multi-class Change Detection, MCD）成为研究的热点方向。

MIT 更新最大自然灾害图像数据集，囊括 19 种灾害事件

By 超神经内容提要：麻省理工学院在最近 ECCV 2020 上提交的一篇论文中，发布了一套自然灾害图像数据集。这是迄今为止规模最大、质量最高的自然灾害卫星图像数据集。关键词：自然灾害 ...

​RSCC：一个面向灾害事件的大规模遥感变化描述数据集​

摘要：本文提出遥感变化描述（RSCC）数据集，包含62,315对灾前/灾后时序遥感图像及详细文本描述，覆盖地震、洪水等31种灾害事件。该数据集通过视觉推理模型生成高质量标注，弥补了现有数据集缺乏时序语义信息的不足。实验表明，基于RSCC训练的模型在灾害变化描述任务中表现优异（ST5-SCS达58.52%），显著优于通用多模态模型。RSCC为遥感领域的时序视觉-语言理解提供了标准化基准，推动灾害监测技术的发展。数据集和代码已开源。

【持续更新中！气象数据集汇总】气象局首次发布训练数据目录！CAMELS 美国天文气象数据集等上线官网

该数据集为论文 「Global prediction of extreme floods in ungauged watersheds」的研究数据，主要内容为 AI 模型生成的洪水重新分析 (1984-2021) 和重新预测 (2014-2021) 数据以及相应的 GloFAS 基准数据。数据集可鼓励在天气领域进行机器学习研究，方便在理解和减轻气候变化影响方面的工作。SEVIR 将多种天气传感模式组合并整合成一个单一的、可访问的数据集，该数据集可在云端免费访问，可供气象学家、数据科学家和其他研究人员使用。

【计算机视觉 | 语义分割】语义分割常用数据集及其介绍（五）

【计算机视觉 | 语义分割】语义分割常用数据集及其介绍（五）

DeepSeek API调用优化：避免Token浪费的配置与代码实践

1. 先搞清楚“烧Token”到底是怎么回事 如果你在用 Codex 这类工具接入 DeepSeek 的 API，发现 Token 消耗速度远超预期，或者账单突然飙升，那这篇文章就是为你写的。这不是简单的“用得多”，而是配置或使用方式上存在误区，导致大量 Token 在你不注意的地方被浪费了。 “烧Token”的核心，通常不是模型本身的问题，而是 请求构造、上下文管理、重试机制 这几个环节没处理好。很多人一上来就急着跑代码，忽略了 API 调用的细节，结果就是同样的任务，别人花 100 Token，你可能花

【AI视野·今日CV 计算机视觉论文速览 第169期】Fri, 22 Nov 2019

AI视野·今日CS.CV 计算机视觉论文速览 ---三维重建 ---2D3D描述子 ---边缘点文本检测 ---图像去雾

遥感语义分割文献摘要汇总1

基于我们的实验，我们提出的方法在挑战中给出的小样本OpenEarthMap数据集的验证集上，将一个简单微调的SegGPT的加权mIoU从15.96提升到35.08。此外，为了增加同一物体的特征相似性，同时保持不同物体的特征区分性，像素信息通过一个简单的边界辅助融合模块( Boundary Auxiliary Fusion Module，BAFM )传播到整个物体区域，其中预测的物体边界作为高级指导来细化低级卷积特征。此外，现有的旋转不敏感算法的置信度分数的振荡，是由显著的变化产生的。提供全面的训练样本。