Awesome Satellite Imagery Datasets

包含多个用于计算机视觉和深度学习的卫星图像数据集列表，每个数据集都有详细的描述和用途。

A list of multiple satellite image datasets for computer vision and deep learning, each with detailed descriptions and intended uses.

原始信息汇总

数据集概述

实例分割

• CanadianBuildingFootprints (Microsoft, Mar 2019)
  包含1260万建筑轮廓（覆盖加拿大全境），格式为GeoJSON，基于Bing图像使用ResNet34架构进行划分。

• Spacenet Challenge Round 4 - Off-nadir (CosmiQ Works, DigitalGlobe, Radiant Solutions, AWS, Dec 2018)
  包含12.6万建筑轮廓（亚特兰大），27张WorldView 2图像（0.3米分辨率），从7-54度偏离天底角拍摄。

• Airbus Ship Detection Challenge (Airbus, Nov 2018)
  包含13.1万艘船只，10.4万训练/8.8万测试图像块，卫星图像（1.5米分辨率），标签为运行长度编码格式。

• Open AI Challenge: Tanzania (WeRobotics & Worldbank, Nov 2018)
  包含建筑轮廓及3种建筑条件，RGB无人机图像。

• Netherlands LPIS agricultural field boundaries (Netherlands Department for Economic Affairs)
  包含294种作物/植被类别，78万地块，2009-2018年年度数据集。

• Denmark LPIS agricultural field boundaries (Denmark Department for Agriculture)
  包含293种作物/植被类别，60万地块，2008-2018年年度数据集。

• CrowdAI Mapping Challenge (Humanity & Inclusion NGO, May 2018)
  包含建筑轮廓，RGB卫星图像，COCO数据格式。

• Spacenet Challenge Round 2 - Buildings (CosmiQ Works, Radiant Solutions, NVIDIA, May 2017)
  包含68.5万建筑轮廓，3/8波段Worldview-3图像（0.3米分辨率），5个城市。

• Spacenet Challenge Round 1 - Buildings (CosmiQ Works, Radiant Solutions, NVIDIA, Jan 2017)
  包含建筑轮廓（里约热内卢），3/8波段Worldview-3图像（0.5米分辨率）。

目标检测

• DOTA: Large-scale Dataset for Object Detection in Aerial Images (Wuhan University et al.)
  包含15类对象（如飞机、桥梁），18.8万个实例，Google Earth图像块，Faster-RCNN基准模型（MXNet）。

• xView 2018 Detection Challenge (DIUx, Jul 2018)
  包含60类对象（如直升机、体育场），100万个实例，Worldview-3图像（0.3米分辨率），COCO数据格式。

• Open AI Challenge: Aerial Imagery of South Pacific Islands (WeRobotics & Worldbank, May 2018)
  包含树位置及4种树种，RGB无人机图像（0.4/0.8米分辨率），多个关注区域在汤加。

• NIST DSE Plant Identification with NEON Remote Sensing Data (inria.fr, Oct 2017)
  包含树位置、树种及冠层参数，高光谱（1米分辨率）与RGB图像（0.25米分辨率），LiDAR点云和冠层高度模型。

• NOAA Fisheries Steller Sea Lion Population Count (NOAA, Jun 2017)
  包含5类海狮，约8万实例，约1千张航空图像。

• Spacenet Rio De Janeiro Points of Interest Dataset (CosmiQ Works, Radiant Solutions, Jan 2017)
  包含460类兴趣点，12万个点（1.1万个手动确认），3/8波段Worldview-3图像（0.5米分辨率）。

• Cars Overhead With Context (COWC) (Lawrence Livermore National Laboratory)
  包含3.2万个汽车边界框，航空图像（0.15米分辨率），6个城市。

语义分割

• Land Cover Classification (Sinergise, Feb 2019)
  包含10类土地覆盖，时间堆栈高光谱Sentinel-2图像（R,G,B,NIR,SWIR1,SWIR2; 10米分辨率），2017年数据带云掩码。

• 38-Cloud: A Cloud Segmentation Dataset (S. Mohajerani et. all)
  包含17600个手动分割的384x384补丁，带云掩码，Landsat 8图像（R,G,B,NIR; 30米分辨率）。

• Agricultural Crop Cover Classification Challenge (CrowdANALYTIX, Jul 2018)
  包含2个主要类别玉米和大豆，Landsat 8图像（30米分辨率），USDA作物数据层作为地面实况。

• Spacenet Challenge Round 3 - Roads (CosmiQ Works, Radiant Solutions, Feb 2018)
  包含8000公里道路，5个城市区域，3/8波段Worldview-3图像（0.3米分辨率）。

• Urban 3D Challenge (USSOCOM, Dec 2017)
  包含15.7万建筑轮廓掩码，RGB正射影像（0.5米分辨率），DSM/DTM，3个城市。

• DSTL Satellite Imagery Feature Detection Challenge (Dstl, Feb 2017)
  包含10类土地覆盖，57张1x1公里图像，3/16波段Worldview 3图像（0.3-7.5米分辨率）。

• Inria Aerial Image Labeling (inria)
  包含建筑轮廓掩码，RGB航空图像（0.3米分辨率），5个城市。

• ISPRS Potsdam 2D Semantic Labeling Contest (ISPRS)
  包含6类城市土地覆盖，栅格掩码标签，4波段RGB-IR航空图像（0.05米分辨率）& DSM，38个图像块。

芯片分类（图像识别）

• BigEarthNet: Large-Scale Sentinel-2 Benchmark (TU Berlin, Jan 2019)
  基于CORINE土地覆盖（CLC）2018的多重土地覆盖标签，590,326个芯片来自Sentinel-2 L2A场景（125个Sentinel-2瓦片，覆盖10个欧洲国家，2017/2018年），66 GB档案。

• WiDS Datathon 2019 : Detection of Oil Palm Plantations (Global WiDS Team & West Big Data Innovation Hub, Jan 2019)
  预测油棕种植园的存在，Planet卫星图像（3米分辨率），约2万张256 x 256像素芯片，2个类别油棕和其他，注释者置信度得分。

• So2Sat LCZ42 (TUM Munich & DLR, Aug 2018)
  本地气候区分类，17个类别（10个城市，如紧凑高层，7个农村，如散树），40万个32x32像素芯片覆盖42个城市（LCZ42数据集），Sentinel 1 & Sentinel 2（均为10米分辨率），51 GB。

• Statoil/C-CORE Iceberg Classifier Challenge (Statoil/C-CORE, Jan 2018)
  2个类别船和冰山，2波段HH/HV极化SAR图像。

• Functional Map of the World Challenge (IARPA, Dec 2017)
  63个类别从太阳能农场到购物中心，100万个芯片，4/8波段卫星图像（0.3米分辨率），COCO数据格式，基准模型。

• EuroSAT (DFK, Aug 2017)
  10个土地覆盖类别从工业到永久作物，27,000个64x64像素芯片，3/16波段Sentinel-2卫星图像（10米分辨率），覆盖30个国家的城市。

• Planet: Understanding the Amazon from Space (Planet, Jul 2017)
  13个土地覆盖类别+4个云条件类别，4波段（RGB-NIR）卫星图像（5米分辨率），亚马逊雨林。

• Deepsat: SAT-4/SAT-6 airborne datasets (Louisiana State University, 2015)
  6个土地覆盖类别，400,000个28x28像素芯片，4波段RGBNIR航空图像（1米分辨率），从2009年国家农业图像计划（NAIP）提取。

• UC Merced Land Use Dataset (UC Merced, Oct 2010)
  21个土地覆盖类别从农业到停车场，每类100个芯片，航空图像（0.30米分辨率）。

其他焦点/多任务

• DEEPGLOBE - 2018 Satellite Challange (CVPR, Apr 2018)
  三个挑战赛道：道路提取、建筑检测、土地覆盖分类。

• IEEE Data Fusion Contest 2018 (IEEE, -Mar 2018)
  通过融合三种数据源的20个土地覆盖类别：多光谱LiDAR、高光谱（1米）、RGB图像（0.05米分辨率）。

• TiSeLaC : Time Series Land Cover Classification Challenge (UMR TETIS, Jul 2017)
  土地覆盖时间序列分类（9个类别），Landsat-8（23个图像时间序列，10波段特征，30米分辨率），留尼汪岛。

• Multi-View Stereo 3D Mapping Challenge (IARPA, Nov 2016)
  开发一个多视图立体（MVS）3D映射算法，能够将高分辨率Worldview-3卫星图像转换为3D点云，0.2米激光雷达地面实况数据。

• Draper Satellite Image Chronology (Draper, Jun 2016)
  预测在同一位置拍摄的图像在5天内的顺序。

搜集汇总

数据集介绍

构建方式

在遥感技术领域，'Awesome Satellite Imagery Datasets' 数据集的构建采取了全面搜集与整理的方式，从多个权威数据源中筛选出高质量卫星图像。该数据集涵盖多样化的地理特征、气候条件以及时间跨度，通过精心的数据清洗、格式统一和标注处理，确保了数据的可用性和准确性。

特点

该数据集显著的特点在于其内容的丰富性和多样性。它不仅包含了全球不同地区的卫星图像，而且覆盖了从自然景观到城市构造的多种类型。此外，数据集的标准化处理和详细的元数据标注，为用户提供了极大的便利，有助于提高研究效率和模型的泛化能力。

使用方法

用户在使用'Awesome Satellite Imagery Datasets'数据集时，可以依据数据集提供的详细文档和元数据信息进行快速定位和筛选。数据集支持多种数据格式，便于集成到不同的处理和分析框架中。此外，用户应遵循数据集的使用条款，合理利用数据资源，以促进科学研究和应用开发。

背景与挑战

背景概述

在遥感科学与地理信息系统研究领域，卫星影像数据集的构建与利用是推动技术进步的关键因素。'Awesome Satellite Imagery Datasets' 数据集，汇集了来自全球各地的卫星影像资源，由国际上的研究人员和机构共同创建于近年，旨在为遥感图像处理、分析及深度学习模型训练提供丰富的数据支持。该数据集涵盖了多样化的地理特征与现象，解决了遥感数据获取与处理的难题，对推动相关领域的研究与发展产生了深远影响。

当前挑战

尽管'Awesome Satellite Imagery Datasets' 数据集为研究者提供了宝贵的资源，但在使用过程中仍面临诸多挑战。首先，数据集的规模宏大，导致数据清洗、预处理和存储的难度增加。其次，数据标注的不一致性及多源数据的融合问题，为后续的数据分析和模型训练带来了困扰。此外，卫星影像中存在的噪声、云层遮挡等自然因素，以及影像分辨率和质量的不均匀性，均为图像解析和特征提取带来了额外的挑战。

常用场景

经典使用场景

在遥感领域，Awesome Satellite Imagery Datasets 数据集被广泛应用于各类图像识别与处理任务中，如土地覆盖分类、目标检测、变化检测等，为研究人员提供了丰富的卫星图像资源，以支持深度学习模型的训练与验证。

实际应用

在实际应用中，该数据集为农业监测、城市规划、环境监测等领域提供了高质量的数据支持，有助于提升灾害预警、资源管理以及决策制定的准确性。

衍生相关工作

基于该数据集，研究者们衍生出了一系列相关经典工作，包括卫星图像分割算法、多时相图像变化检测技术以及高分辨率卫星图像的自动标注方法，推动了遥感技术的进步和产业发展。