FOTBCD: Ein umfangreicher Benchmark für die Gebäudeveränderungserkennung aus französischen Orthofotos und topografischen Daten

FOTBCD: A Large-Scale Building Change Detection Benchmark from French Orthophotos and Topographic Data

January 30, 2026

papers.authors: Abdelrrahman Moubane

cs.AI

papers.abstract

Wir stellen FOTBCD vor, einen großflächigen Gebäudeveränderungs-Erkennungsdatensatz, der aus autoritativen französischen Orthofotos und topografischen Gebäudedaten des IGN Frankreich abgeleitet wurde. Im Gegensatz zu bestehenden Benchmarks, die geografisch auf einzelne Städte oder begrenzte Regionen beschränkt sind, erstreckt sich FOTBCD über 28 Départements in ganz Frankreich, wobei 25 für das Training und drei geografisch getrennte Départements für die Evaluation zurückgehalten werden. Der Datensatz deckt diverse städtische, vorstädtische und ländliche Umgebungen mit einer Auflösung von 0,2 m/Pixel ab. Wir veröffentlichen öffentlich FOTBCD-Binary, einen Datensatz, der etwa 28.000 Vorher/Nachher-Bildpaare mit pixelgenauen binären Gebäudeveränderungsmasken umfasst, von denen jedes mit patchbezogenen räumlichen Metadaten verknüpft ist. Der Datensatz ist für großflächige Benchmarking- und Evaluierungszwecke unter geografischer Domänenverschiebung konzipiert, wobei Validierungs- und Teststichproben aus den zurückgehaltenen Départements stammen und manuell verifiziert wurden, um die Labelqualität sicherzustellen. Zusätzlich veröffentlichen wir FOTBCD-Instances, eine öffentlich verfügbare, instanzenbasiert annotierte Teilmenge, die mehrere tausend Bildpaare umfasst und das vollständige Annotationsschema der instanzenbasierten Vollversion von FOTBCD veranschaulicht. Unter Verwendung eines festen Referenz-Baselines benchmarken wir FOTBCD-Binary gegen LEVIR-CD+ und WHU-CD und liefern starke empirische Belege dafür, dass geografische Diversität auf Datensatzebene mit einer verbesserten domänenübergreifenden Generalisierung in der Gebäudeveränderungs-Erkennung einhergeht.

English

We introduce FOTBCD, a large-scale building change detection dataset derived from authoritative French orthophotos and topographic building data provided by IGN France. Unlike existing benchmarks that are geographically constrained to single cities or limited regions, FOTBCD spans 28 departments across mainland France, with 25 used for training and three geographically disjoint departments held out for evaluation. The dataset covers diverse urban, suburban, and rural environments at 0.2m/pixel resolution. We publicly release FOTBCD-Binary, a dataset comprising approximately 28,000 before/after image pairs with pixel-wise binary building change masks, each associated with patch-level spatial metadata. The dataset is designed for large-scale benchmarking and evaluation under geographic domain shift, with validation and test samples drawn from held-out departments and manually verified to ensure label quality. In addition, we publicly release FOTBCD-Instances, a publicly available instance-level annotated subset comprising several thousand image pairs, which illustrates the complete annotation schema used in the full instance-level version of FOTBCD. Using a fixed reference baseline, we benchmark FOTBCD-Binary against LEVIR-CD+ and WHU-CD, providing strong empirical evidence that geographic diversity at the dataset level is associated with improved cross-domain generalization in building change detection.