FLAIR-HUB：大规模多模态地表覆盖与作物映射数据集
计算机视觉与模式识别
2026-03-06 v2
摘要
高质量地球观测（Earth Observation, EO）数据的日益增多，使得对全球地表覆盖和作物类型的精准监测成为可能。然而，这些数据集的庞大规模和异构性为主要数据处理和标注挑战。为此，法国国家地理与森林信息局（French National Institute of Geographical and Forest Information, IGN）正在积极探索多样化 EO 数据的创新策略，这需要大型标注数据集。IGN 引入 FLAIR-HUB，目前最大的多传感器地表覆盖数据集，配备极高分辨率（20 cm）标注，覆盖法国 2528 平方公里。它整合了六种对齐的模态：航空影像、Sentinel-1/2 时间序列、SPOT 影像、地形数据以及历史航空影像。对多模态融合和深度学习模型（CNN、transformer）进行了广泛基准测试，用于地表覆盖或作物映射，并探索了多任务学习。结果凸显了多模态融合和细粒度分类的复杂性，使用 nearly all modalities 实现的最佳地表覆盖性能为 78.2% 准确率，65.8% mIoU。FLAIR-HUB 支持监督学习和多模态预训练，数据与代码已在 https://ignf.github.io/FLAIR/flairhub 提供。
引用
@article{arxiv.2506.07080,
title = {FLAIR-HUB: Large-scale Multimodal Dataset for Land Cover and Crop Mapping},
author = {Anatol Garioud and Sébastien Giordano and Nicolas David and Nicolas Gonthier},
journal= {arXiv preprint arXiv:2506.07080},
year = {2026}
}