各位地学遥感爱好者们，今天为大家带来遥感建筑数据集的重磅资源汇总！建筑提取作为遥感应用的重要方向，在智慧城市、城市规划、灾害评估等领域发挥着重要作用。

目录

• 一、数据概述
• 二、建筑轮廓生成数据集
• 三、SpaceNet系列数据集
• 四、建筑变化检测数据集
• 五、建筑类型分类数据集
• 六、数据对比与使用建议
• 七、数据获取方式

一、数据概述

遥感建筑数据集是用于训练和评估建筑物检测、分割、分类等深度学习模型的基础数据资源。这些数据集通常包含高分辨率遥感影像以及对应的建筑物标注信息，涵盖了从光学影像到合成孔径雷达影像等多种传感器类型。随着深度学习技术在遥感领域的广泛应用，高质量的标注数据集成为推动算法进步的关键因素。

二、建筑轮廓生成数据集

ISPRS数据集

ISPRS（国际摄影测量与遥感学会）发布的两个经典数据集是建筑提取领域的基准数据集。

ISPRS-Potsdam数据集

• 传感器：光学影像
• 空间分辨率：0.05米
• 覆盖范围：德国波茨坦
• 特点：超高分辨率，适合精细建筑轮廓提取研究
• 获取链接： https://pan.baidu.com/s/1pYSVAPFagWcymBhHkgVnDw?pwd=zxiu 提取码: zxiu

ISPRS-Vaihingen数据集

• 传感器：光学影像
• 空间分辨率：0.09米
• 覆盖范围：德国费欣根
• 特点：包含红外波段，影像质量高，标注精细
• 获取链接：
  https://pan.baidu.com/s/12jn4ImK8NtUKEcMziUP9wA?pwd=f4nd 提取码: f4nd

这两个数据集在学术界被广泛使用，大量论文在这些数据集上进行模型验证和对比。

预处理之后的数据集：
链接: https://pan.baidu.com/s/1VS-3_V8s4-HL_4-dMzi9vA?pwd=u654 提取码: u654

WHU建筑数据集

武汉大学发布的WHU建筑数据集包含多个子数据集，是建筑提取领域的重要资源。

WHU Building-Aerial数据集

• 传感器：光学影像
• 空间分辨率：0.3米
• 覆盖范围：新西兰克赖斯特彻奇
• 特点：包含超过22万栋建筑物的矢量标注，数据量大
• 下载地址：http://gpcv.whu.edu.cn/data/building_dataset.html

WHU Building-Satellite数据集

• 传感器：光学影像
• 空间分辨率：0.3-2.5米
• 覆盖范围：全球多个城市
• 特点：多分辨率数据，适合不同精度需求的研究
• 下载地址：http://gpcv.whu.edu.cn/data/building_dataset.html

Inria航空影像标注数据集

由法国国家信息与自动化研究所发布，是最早被广泛使用的航空影像建筑物分割数据集之一。

• 传感器：光学影像
• 空间分辨率：0.3米
• 覆盖范围：奥地利和美国多个城市
• 数据规模：360幅尺寸为5000×5000像素的航空图像，代表10个城市
• 特点：高分辨率，包含多种建筑风格，每个城市提供10张训练图和10张测试图
• 官方网站：https://project.inria.fr/aerialimagelabeling/

Massachusetts Buildings数据集

这是一个广泛使用的建筑检测数据集，包含来自马萨诸塞州的卫星图像。

• 传感器：光学影像
• 空间分辨率：1米
• 覆盖范围：美国波士顿
• 特点：图像通过Google Earth获取，具有较高的空间分辨率
• 下载地址：http://www.cs.toronto.edu/~vmnih/data/

三、SpaceNet系列数据集

SpaceNet是由CosmiQ Works、Radiant Solutions和NVIDIA等机构联合发起的遥感数据集项目，专注于建筑物提取和道路检测等任务。

SpaceNet1

• 传感器：光学影像
• 空间分辨率：0.5米
• 覆盖范围：巴西里约热内卢
• 数据规模：覆盖2544平方公里，包含382534个建筑物多边形标签
• 任务：大规模建筑物检测
• 官方网站：https://spacenet.ai/spacenet-buildings-dataset-v1/

SpaceNet2

• 传感器：光学影像
• 空间分辨率：0.3米
• 覆盖范围：美国拉斯维加斯、法国巴黎、中国上海、苏丹喀土穆
• 特点：多城市数据，涵盖不同地理区域和建筑风格
• 官方网站：https://spacenet.ai/spacenet-buildings-dataset-v2/

SpaceNet6

• 传感器：光学与合成孔径雷达
• 空间分辨率：光学0.5-2米，合成孔径雷达0.5米
• 覆盖范围：荷兰鹿特丹
• 特点：多模态数据，包含SAR影像，适合研究光学与SAR融合
• 官方网站：https://spacenet.ai/sn6-challenge/

SpaceNet7

• 传感器：光学影像
• 空间分辨率：4米
• 覆盖范围：全球多个城市
• 特点：时间序列数据，适合动态监测研究

四、建筑变化检测数据集

LEVIR-CD数据集

LEVIR-CD是一个专门用于建筑物变化检测的数据集。

• 传感器：光学影像
• 空间分辨率：0.5米
• 覆盖范围：美国德克萨斯州
• 数据规模：包含637对双时相影像，共985个建筑物变化实例
• 特点：标注精细，变化类型丰富
• 官方网站：https://justchenhao.github.io/LEVIR/

WHU Building Change Detection数据集

由武汉大学提供的建筑变化检测数据集。

• 传感器：光学影像
• 空间分辨率：0.2米
• 覆盖范围：新西兰克赖斯特彻奇
• 特点：高分辨率，包含多时相影像，适合精细变化检测
• 下载地址：http://gpcv.whu.edu.cn/data/building_dataset.html

S2Looking数据集

• 传感器：光学影像
• 空间分辨率：0.5-0.8米
• 覆盖范围：全球多个城市
• 特点：侧视角度变化大，适合研究视角变化对变化检测的影响
• 官方网站：https://github.com/S2Looking/Dataset

五、建筑类型分类数据集

RID数据集

• 传感器：光学影像
• 空间分辨率：0.1米
• 覆盖范围：德国瓦滕堡
• 特点：专注于建筑屋顶类型识别
• 官方网站：https://github.com/TUMFTM/RID

Urban Building Classification数据集

• 传感器：光学影像
• 空间分辨率：0.5-0.8米
• 覆盖范围：中国北京、德国慕尼黑
• 特点：包含多种建筑类型，适合建筑分类研究
• 官方网站：https://github.com/AICyberTeam/UBC-dataset

DFC23数据集

2023年IEEE GRSS数据融合竞赛数据集。

• 传感器：光学与合成孔径雷达
• 空间分辨率：光学0.5-0.8米，合成孔径雷达1米
• 覆盖范围：全球多个城市
• 特点：大规模细粒度建筑分类，包含多模态数据
• 官方网站：https://ieee-dataport.org/competitions/2023-ieee-grss-data-fusion-contest-large-scale-fine-grained-building-classification

六、数据对比与使用建议

下表为主要建筑数据集的特性对比：

数据集	分辨率	传感器类型	主要任务	覆盖范围
ISPRS-Potsdam	0.05米	光学	建筑轮廓生成	德国波茨坦
ISPRS-Vaihingen	0.09米	光学	建筑轮廓生成	德国费欣根
WHU Building-Aerial	0.3米	光学	建筑轮廓生成	新西兰克赖斯特彻奇
Inria	0.3米	光学	建筑轮廓生成	多城市
Massachusetts	1米	光学	建筑轮廓生成	美国波士顿
SpaceNet1	0.5米	光学	建筑轮廓生成	巴西里约热内卢
SpaceNet6	0.5-2米	光学+SAR	建筑轮廓生成	荷兰鹿特丹
LEVIR-CD	0.5米	光学	建筑变化检测	美国德克萨斯州
WHU Change Detection	0.2米	光学	建筑变化检测	新西兰克赖斯特彻奇

使用建议：

建筑轮廓提取任务

• 超高精度研究：选择ISPRS-Potsdam（0.05米）或ISPRS-Vaihingen（0.09米）
• 大规模训练：选择WHU Building-Aerial，数据量大且标注完整
• 多样化场景：选择Inria数据集，涵盖多个城市

建筑变化检测任务

• 精细变化检测：选择WHU Building Change Detection（0.2米）
• 标准基准测试：选择LEVIR-CD数据集，使用广泛
• 视角变化研究：选择S2Looking数据集

多模态研究

• 光学与SAR融合：选择SpaceNet6数据集，包含光学和SAR影像

建筑分类任务

• 屋顶类型识别：选择RID数据集
• 细粒度分类：选择DFC23数据集，包含多模态数据

温馨提示

本数据整理自国内外公开资源，仅供便捷获取。数据仅限个人学习等非商业用途，禁止用于任何营利活动。

作为数据整理方，我们不对数据的准确性、完整性和时效性作任何担保，使用风险请自行评估。

文中所涉及的图片/数据如若侵权，请及时联系我们核实删除。

关注我们，获取更多优质地理信息资源分享