企业官网建设流程全解析

AIRS 屋顶分割数据集 |屋顶分割 语义分割 航空影像 建筑制图 AIRS 深度学习数据集9108期

数据集概述

本数据集专注于高分辨率航空影像中的屋顶语义分割，服务于自动化建筑制图、城市规划及地理信息更新。数据覆盖新西兰基督城全域，包含超过22万栋建筑的屋顶轮廓标注，适配建筑提取、变化检测及数字地图生成等应用。

数据集核心信息

完整类别列表（共2类）

数据三要素解析

类别与分割目标

• 数据集定义2个语义类别：屋顶与非屋顶，聚焦于像素级的屋顶区域分割。
• 标注为像素级语义分割掩膜，与屋顶轮廓严格对齐，消除了地形位移带来的错位问题。
• 屋顶类别在图像中占比约9.02%，属于类别不平衡场景，需关注损失函数设计。
  

数据规模与采集

• 图像总量1047张，其中166 张（16%）无标注，可用于半监督或无监督研究。
• 图像尺寸10000×10000像素，空间分辨率7.5 cm，覆盖约457 km²区域，包含超过22 万栋建筑。
• 影像采集自新西兰基督城，使用 RGB 正射影像，投影为新西兰横轴墨卡托。

格式与结构

• 原始影像经镶嵌后切分为10000×10000像素的瓦片，相邻瓦片间有10%重叠。
• 提供像素级语义分割标签，可直接用于 U-Net、DeepLabv3+、SegFormer 等语义分割模型训练。
• 测试集标签未公开，用于在线挑战赛的公平评估。

知识普及：屋顶分割的技术挑战

• 类别不平衡：屋顶像素仅占图像的约9%，背景像素占绝对主导，模型易倾向于预测背景。建议采用Focal Loss、Dice Loss等针对类别不平衡的损失函数。
• 地形位移影响：传统建筑足迹（footprint）标注与屋顶轮廓存在错位，尤其高层建筑更为明显。本数据集专门校正了屋顶标注，更适合精确分割任务。
• 建筑类内差异：不同用途的建筑屋顶在颜色、纹理、形状上差异巨大，模型需构建高维特征空间来描述这种多样性。
• 高分辨率处理：10000×10000像素的图像对显存和计算效率提出挑战，通常需采用图像切块或降采样策略进行训练。
• 应用闭环：分割结果可导入 GIS 系统，用于建筑编目、变化检测及三维城市建模。

快速开始（代码示例）

配置文件data.yaml示例：

train:./dataset/images/trainval:./dataset/images/valnc:2names:['roof','non-roof']

启动 YOLOv8 分割训练：

fromultralyticsimportYOLO model=YOLO('yolov8m-seg.pt')model.train(data='data.yaml',epochs=100,imgsz=1024,batch=4,device=0)

标签

屋顶分割语义分割航空影像建筑制图AIRS深度学习数据集计算机视觉