| 序号 | 数据集名称 | 数据集简介 | 引用格式 | 完成人 | 申请方式 |
| 1 | 沙湾遥感道路数据集 Shawan Road（SWR） | 本数据集是第一个公开的中国西北地区道路数据集，是人工精心细致标注的卫星图像，专注于展现山路、农田以及县城道路三种截然不同的道路类型，这些道路场景均源自新疆维吾尔自治区塔城地区沙湾市这一地貌特征极为丰富的地域。我们的数据集基于高分二号卫星的高清图像，经过初步裁剪，每张图像被精心调整为1024×1024像素的大小，分辨率高达1米/像素，确保了图像的高清晰度与细节丰富性。在严格的筛选过程中，我们剔除了不包含道路及全黑的无价值图像，最终精选出445张高质量图片。为了进一步提升数据集的实用性与适用性，我们在此基础上进行了更为细致的图像裁剪工作，将图像尺寸优化至512×512像素，这一过程中总共产生了2984张高质量的道路图像。为了支持模型的训练与验证，我们按照科学的比例将这些图像划分为训练集（2389张）与测试集（595张），旨在促进模型在识别中国西北地区复杂道路环境中的性能提升与泛化能力增强。 | —— | 范迎迎；白璐；刘鹏；石超俊；常倬程；杨帆 | 1、下载“软件开发案例——>数据集申请表”文件并填写； 2、将签字、盖章后的数据集申请表命名为：数据集名称_单位_姓名_数据申请，将扫描件发送至邮箱：107552404021@stu.xju.edu.cn审核。 |
| 2 | 新疆农作物遥感图像语义分割基准数据集 | 农作物语义分割能够识别图像中的不同农作物区域，提供像素级别的细粒度信息，有助于相关农业研究人员更好地了解农田资源的分布和状态，从而支持更精确的农业管理和决策过程。本文提出了一个新的农作物语义分割基准数据集SWCC。该数据采集自中国新疆沙湾地区，由Gaofen-1卫星拍摄，包含分辨率为2m全色和8m多光谱的数据，经过融合之后得到2m的多光谱数据。SWCC数据集中的所有对象都通过精准目视解译与实地考察，标注了5个类别。与现有的专用农作物语义分割数据集相比，SWCC数据集具有3个特点，第一，覆盖新疆多样农作物类别，具有高度的代表性，为农业科学研究提供了宝贵的数据资源。第二，实现2m高分辨率多光谱数据融合，显著提升图像细节与信息量。第三，选取RGB和近红外四个波段，全面提取农作物特征信息。基于SWCC数据集，本文评估了几种最先进的算法，为基于深度学习的农作物语义分割方法提供了基准，这对于评估算法的改进是有价值的。 | SWCC:新疆农作物遥感图像语义分割基准数据集 SWCC: Xinjiang crop remote sensing image semantic segmentation benchmark dataset | 张妍，初壮，李志财，肖亮，慕凯 | |
| 3 | 沙湾多源分类数据集 Shawan multi-source classification (SWMC) | SWMC数据集涉及MSI和SAR两种模式，两者大小均为1300x1619，具有相同的空间分辨率(10米)。MSI有RGB 和近红外四个波段，包含了五个类别，分别是冬小麦，玉米，棉花，辣椒和番茄。 | MCANet:一种用于MSI和SAR图像联合分类的多尺度交叉注意力融合网络MCANet: A Multi-Scale Cross-Attention Fusion Network for Joint MSI and SAR Image Crop Classification | 张妍，初壮 | |
| 4 | 沙湾土地覆盖语义分割数据集 Shawan Land-cover Semantic Segmentation(SWLS) | 该数据集使用2021年7月24日新疆沙湾地区GF1号遥感图像，经实验室标注后制作，分为六个类别：农田、防风林、道路、建筑物、草地、水域。与其他土地覆盖语义分割数据集相比，SWLS包含更多的耕地标签，除规则的四边形耕地外，数据集中还标注了多种不规则耕地地块，为模型的训练和验证带来一定挑战。此外，与其他遥感图像土地覆盖语义分割数据集不同，SWLS的林地类别大多为防风林种类，分布在道路两侧及耕地、建筑物周围，我们通过人工目视解译将其精确标注。建筑物类别的标注并非以片区的形式绘制多边形，而是对每个建筑物进行区分标注，这种标注方式在卫星遥感影像上较为困难，也为模型的验证带来了诸多挑战。 | —— | 卢毅果 | |
| 5 | 沙湾耕地变化检测数据集 Shawan CropLand Change Detection（SW-CLCD） | 目前公开的耕地变化检测数据集，主要关注双时相变化，没有涵盖耕地转变为撂荒地的情景。为了解决这一局限，提出了一种新的多时相耕地变化检测数据集（SW-CLCD）。该数据集包括从2017年到2022年连续六年的遥感图像，将耕地的变化分为根本性质变化和非根本性质变化，包括耕地转为撂荒地这一类型。最终的数据集包含733对256x256像素样本，时间步长为 6，以6:2的比例分为训练集、验证集和测试集。 | —— | 肖亮 | |
| 6 | 高分沙湾耕地变化检测数据集 GaoFen Shawan CropLand Change Detection（GFSWCLCD） | 本数据集是针对耕地变化检测领域专门设计，其特征包括高分辨率影像、变换场景的复杂性、耕地变迁模式的多样性，以及精确的人工标注细节。数据集收录由“高分二号”卫星在2018年至2023年间，于中国新疆维吾尔自治区塔城地区沙湾市所采集的1144对高分辨率遥感图像对，每幅图像分辨率为1米，尺寸为标准的256x256大小。这些图像以耕地为核心研究对象，广泛覆盖了不同季节下的城市、平原、湖泊等多种典型地理环境，为数据集提供了丰富的空间与时间维度的信息。 | DCIAFNet：用于高分辨率遥感影像变化检测的差异关联交互和注意力融合网络 DCIAFNet: Difference Correlation Interaction and Attention Fusion Network for High-Resolution Remote Sensing Change Detection | 白璐；杨鑫；肖亮；段敏；贺玉江 | |
| 7 | 水体识别数据集 | 本数据集专为水资源识别任务精心构建，基于哨兵二号卫星影像，并由人工标注出水体区域。在完成标注后，所有卫星图像均经过细致的预处理，并裁剪为 256×256 像素，以确保数据一致性和处理的高效性。为优化模型训练效果，裁剪后的图像按照 6:4 的比例合理划分为训练集和验证集，其中训练集用于模型的初步学习和参数调整，验证集用于模型性能评估，以确保其在未见数据上的泛化能力。此设计旨在提高水资源识别的准确性和可靠性。 | —— | 邓峰良、石超俊、杨帆 |