FOTBCD: Een grootschalige benchmark voor het detecteren van gebouwveranderingen op basis van Franse orthofoto's en topografische gegevens

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

January 30, 2026

Auteurs: Abdelrrahman Moubane

cs.AI

Samenvatting

Wij introduceren FOTBCD, een grootschalige dataset voor de detectie van gebouwveranderingen, afgeleid van autoritatieve Franse orthofoto's en topografische gebouwendata van IGN France. In tegenstelling tot bestaande benchmarks die geografisch beperkt zijn tot individuele steden of kleine regio's, beslaat FOTBCD 28 departementen in heel Frankrijk, waarbij 25 worden gebruikt voor training en drie geografisch gescheiden departementen worden gereserveerd voor evaluatie. De dataset bestrijkt diverse stedelijke, voorstedelijke en landelijke omgevingen met een resolutie van 0,2 m/pixel. Wij maken FOTBCD-Binary openbaar toegankelijk, een dataset bestaande uit ongeveer 28.000 voor/na-beeldparen met pixelgewijze binaire maskers voor gebouwveranderingen, elk voorzien van patch-level ruimtelijke metadata. De dataset is ontworpen voor grootschalige benchmarking en evaluatie onder geografische domeinverschuiving, waarbij validatie- en testmonsters afkomstig zijn uit de gereserveerde departementen en handmatig zijn geverifieerd om de labelkwaliteit te waarborgen. Daarnaast maken wij FOTBCD-Instances openbaar toegankelijk, een openbaar beschikbare subset met annotaties op instanceniveau die enkele duizenden beeldparen omvat. Deze subset illustreert het volledige annotatieschema dat wordt gebruikt in de volledige versie van FOTBCD op instanceniveau. Met behulp van een vaste referentiebasis benchmarken wij FOTBCD-Binary tegen LEVIR-CD+ en WHU-CD, en leveren sterk empirisch bewijs dat geografische diversiteit op dataniveau samenhangt met verbeterde cross-domein generalisatie bij de detectie van gebouwveranderingen.

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.