DLRSD是一个密集的标签数据集，可用于多标签任务，例如遥感图像检索（RSIR）和分类，以及其他基于像素的任务，例如语义分割（在遥感中也称为分类）。

该数据集由WHU-OPT-SAR数据集整理而来，覆盖面积51448.56公里，分辨率为5米。据我们所知，WHU-OPT-SAR是第一个也是最大的土地利用分类数据集，它融合了高分辨率光学和SAR图像，并进行了充分的标注

iSAID是第一个用于航空图像分割的基准数据集。这个大规模且注释密集的数据集包含2806张高分辨率图像中15个类别的655451个对象实例

针对遥感影像地物要素提取中显存不足和推理效率低的问题，本文提出了一套完整的解决方案。首先通过矢量标注和栅格转换生成训练样本，并采用滑窗裁剪处理大尺寸影像。模型训练阶段选用视觉语义分割算法（如Unet、DeepLab等）。推理时创新性地采用动态裁剪法，通过实时读取影像局部数据并直接写入结果空影像，避免中间数据落盘，显著提升效率。最后对预测结果进行栅格转矢量等后处理，满足行业需求。该方法解决了遥感大图

Vaihingen是一个相对较小的村庄，有许多独立的建筑和小的多层建筑。

数据集包含100张5556*3704像素的光学图像和同一地区的SAR图像，覆盖了中国湖北省（北纬30°N-33°，东经108°E-117°）约50000公里的区域。该地区属亚热带季风气候，最低海拔50米，最高海拔3000米。WHU-OPT-SAR覆盖了山脉、林地、丘陵、平原等不同地形和针叶林、阔叶林、灌木和水生植被等不同植被的广泛遥感图像，该数据集中带有像素级注释的图像可以为基于深度学习的土地利用

细粒度语义分割赛道依据现有的遥感地物分类要求， 结合现有的地物分类实际需求，参照地理国情监测、 “三调”等既有地物分类标准，依据遥感地物“所见即所得”原则， 设计地物要素分类体系，共涉及二级子类（47类），数据为0.8米-2米分辨率的遥感图像。

该数据集为2020年华为举办的昇腾杯其中一个赛道，依据现有的遥感地物分类要求，结合现有的地物分类实际需求，参照地理国情监测、“三调”等既有地物分类标准，依据遥感地物“所见即所得”原则，设计地物要素分类体系，共涉及一级大类8种

该数据集为2020年华为举办的昇腾杯其中一个赛道，依据现有的遥感地物分类要求，结合现有的地物分类实际需求，参照地理国情监测、“三调”等既有地物分类标准，依据遥感地物“所见即所得”原则，设计地物要素分类体系，共涉及二级子类17种

细粒度语义分割赛道依据现有的遥感地物分类要求， 结合现有的地物分类实际需求，参照地理国情监测、 “三调”等既有地物分类标准，依据遥感地物“所见即所得”原则， 设计地物要素分类体系，共涉及一级大类8种，数据为0.8米-2米分辨率的遥感图像。