数据集 | 全球街景图像数据集OpenStreetView-5M正式开放

OSV-5M

图像的可定位性是一个固有的感知概念，图像展现出不同程度的可定位性。不可定位的图像缺乏将其与特定位置相连接的信息，或者质量太低而无法正确分析。弱可定位图像仅包含模糊或间接的提示，如室内场景中的人物、动物和物体。可定位图像应包含足够的信息，以允许对其位置进行合理的猜测。例如，街景图像通常包含显著特征，这些特征能够指示当地环境，如气候、自然、建筑或公用和监管基础设施。

现有地理位置数据集主要来自两个主要来源：网络抓取图像和街景图像。网络抓取图像平台如Flickr提供了近乎无限的地理标记图像来源，但这些图像大多不可定位，且存在显著的文化偏见。相比之下，街景图像通常可定位，但专有且昂贵，限制了其广泛使用。

地点识别和视觉定位是流行的任务，它们涉及在已知场景中查找图像的姿态。相比之下，视觉地理位置预测旨在预测二维坐标或离散位置（如国家），对准确性的要求较低，但能够泛化到未见区域。现有地理位置方法可以分为是否将地理位置视为图像检索问题、分类问题或两者结合。

OpenStreetView-5M通过提供一个大型、开放且干净的数据集，旨在成为评估全球视觉地理位置模型的新标准。以下是OSV-5M对数据集现有局限性的改进：

• 访问： OSV-5M基于Mapillary的众包街景图像，这些图像遵循CC-BY-SA许可，可以免费使用但需注明来源。

• 质量评估： 通过手动检查估计，96.1%（±0.57%）的图像是可定位的。

• 空间分离： 为了确保评估的公正性，我们确保训练集中的图像与测试集中的图像在空间上分离，没有一张训练图像位于测试图像1公里半径范围内。

• 序列分离： 为了避免因相机传感器和车辆之间的相关性简化地理位置任务，我们确保同一序列的图像不会同时出现在训练集和测试集中。

• 元数据： 除了地理坐标外，每个图像还关联了四级行政数据（国家、地区、区域、最近城市）以及其他信息（如土地覆盖、气候、土壤类型、驾驶侧、到最近海洋的距离）。