ORBITaL-Net:一个标记的培训库,用于大规模的建筑特征提取
Benjamin Swan1, Joe Pyle2, Darrell Roddy2
1Oak Ridge National Laboratory, Geospatial Science and Human Security, Oak Ridge, 37830, Tennessee, USA. swanbt@ornl.gov.
Scientific data
|October 17, 2025
概括
奥克里奇建筑图像和训练标签网 (ORBITaL-Net) 数据集提供了来自全球不同地点的150万个建筑轮. 这种开源数据集有助于为各种环境开发强大的地理空间机器学习技术.
科学领域:
- 地理空间的人工智能
- 计算机视觉 计算机视觉 计算机视觉
- 遥感是一种远程传感.
背景情况:
- 机器学习模型需要多样化,大规模的数据集,以获得强大的性能.
- 现有的建筑概要数据集通常集中在城市地区,限制了概括性.
- 地理空间数据对于城市规划,应对灾害和环境监测至关重要.
研究的目的:
- 为了引入树建筑图像和训练标签网 (ORBITaL-Net) 数据集.
- 为机器学习提供全球多样化的建筑轮和相应图像数据集.
- 促进可扩展和可泛化的地理空间机器学习技术的开发.
主要方法:
- 从128,000块训练中生成近150万个建筑轮.
- 利用非常高分辨率的多光谱上空图像 (2010-2020年).
- 包括来自72个国家的样本,跨越不同的地理环境和土地用途.
主要成果:
- 创建ORBITaL-Net数据集,包括广泛的建筑轮标签.
- 该数据集涵盖了各种条件,包括城市/农村土地利用,地形多样化和图像质量.
- 标记建筑轮的开源发布与参考图像配对.
结论:
- ORBITaL-Net提供了一个独特的,全球多样化的资源,用于训练地理空间AI模型.
- 数据集的重点是变异性,增强了可概括的计算机视觉技术的发展.
- 该资源支持人工智能在城市中心以外的地理空间应用中的进展.


