RS DL
介绍
近些年来，很多机构基于高分辨率的遥感影像和深度学习等算法，发布了多个大规模的建筑底座数据集，这里我们进行汇总整理。
需要注意的是，很多地方将其翻译为建筑"足迹"，英文原文虽然是building footprint，但"足迹"一词显然不符合中文的习惯。在与相关领域的学者和论文作者讨论后，我们决定采用“底座”作为翻译。
1. 2.8亿东亚建筑数据集
论文:https://spj.science.org/doi/epdf/10.34133/remotesensing.0138 下载地址：https://zenodo.org/records/8174931 覆盖范围：东亚五个国家（中国、日本、韩国、朝鲜和蒙古）的建筑，覆盖了2897个城市。 示例： 获取方法：
Attention U-Net：文章采用了Attention U-Net作为基准模型，Attention U-Net是一种常用于遥感领域的语义分割任务的深度学习网络架构。该模型通过引入注意力机制，能够更好地关注图像中的目标区域，从而提高分割精度。 边界增强网络（BE-Net）：为了解决东亚地区建筑复杂多样的问题，作者设计了边界增强网络（Boundary-Enhanced Network, BE-Net）。该网络通过在Attention U-Net的基础上增加全局注意力机制、边界增强模块和正则化模块，来更精准地提取建筑物边界并改善语义特征的提取。 生成对抗网络（GAN）：在边界正则化模块中，作者还引入了生成对抗网络（Generative Adversarial Networks, GAN）来优化建筑物的几何形状，使得提取到的建筑足迹在形状上更加精确。 模型蒸馏（Model Distillation）：为了提高大规模映射任务中的效率，文章采用了模型蒸馏技术，通过将知识从复杂的深度模型传递到较轻量的模型中，确保在保持高提取精度的同时提升计算效率。
2. 谷歌1.8亿建筑数据集
论文：https://arxiv.org/abs/2107.12283 网页：https://sites.research.google/open-buildings/ 覆盖范围：非洲、南亚、东南亚、拉丁美洲和加勒比地区(现已发布到v3版本)
获取方法：U-Net 模型 v2、v3 对方法进行了优化 预处理和后处理：在预处理阶段，使用了形态学腐蚀等技术来增强建筑物实例之间的分离。在后处理阶段，采用了模型输出集成和多尺度的测试时增强（test-time augmentation），以提高检测准确性。
下载方式：
从地图下载：通过点击地图手动下载特定网格单元的多边形数据。
https://sites.research.google/open-buildings/ （网页还可下载元数据） 下载特定国家或地区的数据：可以通过Colab笔记本下载特定国家或地区的数据。
https://sites.research.google/open-buildings/ 命令下载 （1）多边形数据
gsutil cp -R gs://open-buildings-data/v3/polygons_s2_level_4_gzip（2）点数据
gsutil cp -R gs://open-buildings-data/v3/points_s2_level_4_gzip（3）score thresholds
gsutil cp gs://open-buildings-data/v3/score_thresholds_s2_level_4.csv
版本历史：
v1：推理生产在2021年4月，覆盖了非洲19.4M平方公里的区域。
v2：推理生产在2022年8月，覆盖了非洲、南亚和东南亚39.1M平方公里的区域。
v3：推理生产在2023年5月，覆盖了非洲、南亚、东南亚、拉丁美洲和加勒比地区58M平方公里的区域。
3. 微软12亿建筑底座和1.74 亿建筑物高度估计数据集
网页： https://blogs.bing.com/maps/2023-06/Bing-Maps-Global-Building-Footprints-released https://planetarycomputer.microsoft.com/dataset/ms-buildings 覆盖范围：非洲、中亚、南亚、东南亚、拉丁美洲、加勒比地区等
建筑底座：
高度：
信息与下载：https://github.com/microsoft/GlobalMLBuildingFootprints
示例：
获取方式：
欢迎关注CVPR 2024系列
因配置了AI回复功能，除关键词自动回复外，号内信息主要由AI大模型回复。如需资源、投稿、合作等，请直接联系小助手微信（添加请备注：咨询、投稿、合作、加群，加群需备注姓名/昵称，单位和研究方向）。
关于AI回复功能：
公众号新增AI回复功能，已接入大模型，集成查找ArXiv论文、CSDN博文等功能
问题及讨论可直接在文章下方留言
相关链接：
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
