Core Concepts
Der ChangeNet-Datensatz bietet eine große Menge an Multitemporalaufnahmen mit komplexen Szenen und realistischen Verzerrungen, um die praktische Anwendung von Veränderungserkennungsalgorithmen zu fördern.
Abstract
Der ChangeNet-Datensatz wurde entwickelt, um die Mängel bestehender Veränderungserkennungsdatensätze zu beheben. Er umfasst 31.000 Multitemporalaufnahmen mit einer Auflösung von 0,3 Metern aus 100 Städten in China, die über einen Zeitraum von 6 Jahren (2014-2022) aufgenommen wurden. Die Aufnahmen sind mit 6 Kategorien (Gebäude, Ackerland, Brachland, Wasser, Straße, unverändert) auf Pixelebene annotiert.
Im Vergleich zu bestehenden Datensätzen zeichnet sich ChangeNet durch eine deutlich größere Menge an Bildern, eine längere zeitliche Spanne und eine höhere Praxisrelevanz aus. Die Aufnahmen enthalten realistische Verzerrungen durch unterschiedliche Aufnahmebedingungen in den verschiedenen Zeitphasen, was die Herausforderungen für Veränderungserkennungsalgorithmen erhöht.
Der Datensatz eignet sich sowohl für die binäre Veränderungserkennung (Identifizierung von Veränderungen) als auch für die semantische Veränderungserkennung (Identifizierung von Veränderungen und deren Kategorien). Erste Benchmark-Experimente mit etablierten Methoden zeigen, dass der ChangeNet-Datensatz deutlich anspruchsvoller ist als bisherige Datensätze und somit das Potenzial hat, die Forschung auf diesem Gebiet voranzubringen.
Stats
Die ChangeNet-Aufnahmen haben eine Auflösung von 0,3 Metern und eine Größe von 1.900 x 1.200 Pixeln.
Der Datensatz umfasst insgesamt 31.000 Bilder, davon 21.700 im Trainings-, 3.100 im Validierungs- und 6.200 im Testset.
Etwa 10.000 Bilder enthalten offensichtliche Veränderungen.
Quotes
"ChangeNet ist weit überlegen gegenüber allen bestehenden Veränderungserkennungsdatensätzen, sowohl in Bezug auf die Menge als auch auf die Praxisrelevanz."
"Der ChangeNet-Datensatz ist für sowohl die binäre als auch die semantische Veränderungserkennung geeignet und kann die praktische Anwendung von Veränderungserkennungsalgorithmen fördern."