reBEN：用于遥感图像分析的精炼 BigEarthNet 数据集
摘要
本文提出了精炼的 BigEarthNet（reBEN），这是一个大规模、多模态遥感数据集，旨在支持遥感图像分析的深度学习（DL）研究。reBEN 数据集包含 549,488 对 Sentinel-1 和 Sentinel-2 图像块。为了构建 reBEN，我们首先考虑了用于构建 BigEarthNet 数据集的 Sentinel-1 和 Sentinel-2 切片，然后将它们划分为 1200 m x 1200 m 大小的图像块。我们使用最新版本的 sen2cor 工具对 Sentinel-2 图像块进行大气校正，从而获得比 BigEarthNet 中现有图像块质量更高的图像块。随后，每个图像块都与一个像素级参考图和场景级多标签相关联。这使得 reBEN 适用于基于像素和基于场景的学习任务。这些标签是利用 BigEarthNet 中的 19 类命名法，从 2018 年最新的 CORINE 土地覆盖（CLC）地图中推导出来的。使用最新的 CLC 地图克服了 BigEarthNet 中存在的标签噪声问题。此外，我们引入了一种新的基于地理的划分分配算法，与 BigEarthNet 相比，该算法显著降低了训练集、验证集和测试集之间的空间相关性。这提高了深度学习模型评估的可靠性。为了最小化深度学习模型的训练时间，我们引入了将 reBEN 数据集转换为深度学习优化数据格式的软件工具。在我们的实验中，我们通过考虑几种 SOTA 深度学习模型，展示了 reBEN 在多模态多标签图像分类问题上的潜力。预训练模型权重、相关代码和完整数据集可在 https://bigearth.net 获取。
引用
@article{arxiv.2407.03653,
title = {reBEN: Refined BigEarthNet Dataset for Remote Sensing Image Analysis},
author = {Kai Norman Clasen and Leonard Hackel and Tom Burgert and Gencer Sumbul and Begüm Demir and Volker Markl},
journal= {arXiv preprint arXiv:2407.03653},
year = {2025}
}
备注
Accepted at IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2025. Our code is available at https://github.com/rsim-tu-berlin/bigearthnet-pipeline