RSIDEA研究组发布全球尺度1米分辨率道路提取数据集GRSet(Global-Scale Road Dataset), 是目前规模最大的高分辨率遥感道路提取数据集。GRSet数据集包含来自六大洲：欧洲、非洲、亚洲、南美洲、大洋洲和北美洲的121个首都城市的影像，面积为49,503平方公里，共有47210对1024×1024影像块。同时，RSIDEA研究组发布来自四大洲：欧洲、非洲、亚洲和北美洲的全球尺度多分辨率道路提取验证集，面积为2836.38平方公里。这些数据集可用于开展道路提取方法研究。研究成果发表于遥感领域一区期刊Geo-spatial Information Science。课题组博士卢晓燕为第一作者，钟燕飞教授为通讯作者。

1、数据集

随着遥感卫星技术和计算机视觉技术的发展，从高分辨率遥感影像上快速提取道路成为可能，但是目前的道路提取方法面临着以下问题：1）缺乏一个精确且多样性的训练数据集用于全球道路提取；2）手工标注海量的数据样本费时费力，成本昂贵；为了解决此问题，本文利用开源的高分辨率遥感影像和OpenStreetMap数据库构建了全球尺度的道路提取训练集GRSet，并利用开源数据集和手工标注构建了全球尺度道路提取验证集。

GRSet 数据集的分布情况如下图所示：

图1 GRSet数据集的地理位置分布图

GRSet 数据集和已有公开典型道路数据集相比：

1)数据体量大，覆盖面积高达49,503平方公里

2)数据更具多样性，包含不同辐射，不同类型，不同材质和不同尺度的道路

图2 GRSet数据集多样性示例

全球尺度道路提取验证集分布情况如下图所示：

图3 全球尺度验证数据集的地理位置分布图

全球尺度道路提取验证集详情如下表所示：

2、方法

深度学习模型泛化能力有限，在训练集上表现较好的模型，当迁移到数据分布差异较大的其它区域时，模型的性能急剧下降。为解决此问题，本文基于一致性正则的思想，提出了一个伪标签引导的半监督学习框架，将在GRSet数据集上预训练的深度学习模型迁移到全球不同区域。

图4 伪标签引导的道路提取框架

相比于已有方法，所提框架通过在GRSet数据集上预训练以及伪标签学习，能够有效地增强模型的迁移学习能力，适应到全球不同区域，其道路提取精度如图5所示。

图5 不同地区道路提取的定量化结果

3、数据集下载与使用

GRSet数据集现已公开，请点击下方链接下载。该下载路径提供GRSet训练集、以及全球尺度道路验证集。希望在下载前填写一个简单的问卷进行信息登记，方便我们了解数据集的使用情况。Github主页分享有道路提取领域的相关数据资源。

数据集主页：http://rsidea.whu.edu.cn/GRSet.htm

Github主页：https://github.com/xiaoyan07/GRNet_GRSet

4、版权所有

本数据集版权归智能化遥感数据提取分析与应用研究组（RSIDEA）所有，该研究组隶属于武汉大学测绘遥感信息工程国家重点实验室（LIESMARS）。GRSet数据集仅限于学术目的使用，并需引用以下论文，任何商业用途均被禁止。

参考文献：

[1] Xiaoyan Lu, Yanfei Zhong, Zhuo Zheng, Junjue Wang, Dingyuan Chen, and Yu Su. Global road extraction using a pseudo-label guided framework: from benchmark dataset to cross-region semi-supervised learning. Geo-spatial Information Science [J], pp. 1-19, 2024. DOI: https://doi.org/10.1080/10095020.2024.2362760

5、联系方式

如果您在使用GRSet数据集时有任何问题或反馈，请联系：

卢晓燕 博士: luxiaoyan@whu.edu.cn

钟燕飞 教授: zhongyanfei@whu.edu.cn

供稿：卢晓燕    排版：柯天    审核：吴娇、钟燕飞