该数据集由同济大学和伦敦国王学院在论文「AdaTreeFormer: Few shot domain adaptation for tree counting from a single high-resolution image」中提出。

该论文包含三个数据集：伦敦数据集、约塞米蒂数据集和江苏数据集。

该数据集为伦敦高分辨率树木检测数据集。

• 位置：美国加利福尼亚州约塞米蒂国家公园
• 景观类型：木质山区
• 每张图像的平均树木数量：36
• 总树木数量：98,949
• 图像分辨率：0.12 米
• 数据划分：训练集：1350 张图像, 测试集：1350 张图像

约塞米蒂数据集主要覆盖木质山区，树木密度较低且地形复杂，为模型在复杂地形中的性能提供了重要的测试环境。

数据集背景

• 多样化的树木类型和地形：不同类型、大小和形状的树木，以及不同的地形（如城市、农田、山区）使得树木计数变得更加复杂。
• 高质量训练数据的缺乏：深度学习模型通常依赖大量标注数据，但这些数据的获取成本高昂且耗时。
• 域间隙问题：在树木计数任务中，不同场景（如城市和农村）、不同成像类型（如航空影像和卫星影像）以及不同的树木密度等都会导致源域和目标域之间存在显著差异。