awesome-satellite-imagery-datasets

包含多个带有注释的卫星图像数据集，用于计算机视觉和深度学习，涵盖实例分割、目标检测、语义分割、场景分类等多个类别。

This dataset comprises multiple annotated satellite image collections, designed for computer vision and deep learning applications. It encompasses a variety of tasks including instance segmentation, object detection, semantic segmentation, and scene classification.

原始信息汇总

数据集概述

1. Instance Segmentation

• xView 2 Building Damage Asessment Challenge
  数据集包含550k建筑轮廓和4种损坏程度分类，覆盖20个全球地点和7种灾害类型，使用Worldview-3图像（0.3m分辨率），并提供预训练的基线模型。

• Microsoft BuildingFootprints
  包含12.6mil（加拿大）和125.2mil（美国）建筑轮廓，以GeoJSON格式提供，基于Bing图像使用ResNet34架构进行划分。

• Spacenet Challenge Round 4 - Off-nadir
  包含126k建筑轮廓（亚特兰大），27张WorldView 2图像（0.3m分辨率），从7-54度偏离天底角拍摄。

• Airbus Ship Detection Challenge
  包含131k船只，104k训练/88k测试图像芯片，卫星图像（1.5m分辨率），使用栅格掩码标签。

• Open AI Challenge: Tanzania
  包含建筑轮廓和3种建筑条件，RGB无人机图像。

• Netherlands LPIS agricultural field boundaries
  包含294种作物/植被类别，780k地块，年度数据集覆盖2009-2018年。

• Denmark LPIS agricultural field boundaries
  包含293种作物/植被类别，600k地块，年度数据集覆盖2008-2018年。

• CrowdAI Mapping Challenge
  包含建筑轮廓，RGB卫星图像，使用COCO数据格式。

• Spacenet Challenge Round 2 - Buildings
  包含685k建筑轮廓，3/8波段Worldview-3图像（0.3m分辨率），覆盖5个城市。

• Spacenet Challenge Round 1 - Buildings
  包含建筑轮廓（里约热内卢），3/8波段Worldview-3图像（0.5m分辨率）。

2. Object Detection

• DOTA: Large-scale Dataset for Object Detection in Aerial Images v1.5
  包含15个类别，188k实例，Google Earth图像芯片，提供Faster-RCNN基线模型。

• xView 2018 Detection Challenge
  包含60个类别，1百万实例，Worldview-3图像（0.3m分辨率），使用COCO数据格式。

• Open AI Challenge: Aerial Imagery of South Pacific Islands
  包含树位置和4种树种，RGB无人机图像（0.4m/0.8m分辨率）。

• NIST DSE Plant Identification with NEON Remote Sensing Data
  包含树位置、树种和冠层参数，高光谱（1m分辨率）和RGB图像（0.25m分辨率）。

• NOAA Fisheries Steller Sea Lion Population Count
  包含5个海狮类别，约80k实例，约1k空中图像。

• Spacenet Rio De Janeiro Points of Interest Dataset
  包含460个类别，120k点（11k手动确认），3/8波段Worldview-3图像（0.5m分辨率）。

• Stanford Drone Data
  包含60个空中无人机视频和边界框，6个类别。

• Cars Overhead With Context (COWC)
  包含32k车辆边界框，空中图像（0.15m分辨率），覆盖6个城市。

3. Semantic Segmentation

• SEN12MS
  包含180,748个对应图像三元组，包括Sentinel-1（VV&VH）、Sentinel-2（所有波段，无云）和MODIS衍生的土地覆盖图（17个类别，500m分辨率）。

• Slovenia Land Cover Classification
  包含10个土地覆盖类别，时间序列高光谱Sentinel-2图像（10m分辨率）。

• 38-Cloud: A Cloud Segmentation Dataset
  包含17600个手动分割的384x384补丁，带有云掩码，Landsat 8图像（30m分辨率）。

• Agricultural Crop Cover Classification Challenge
  包含2个主要类别，Landsat 8图像（30m分辨率）。

• Spacenet Challenge Round 3 - Roads
  包含8000公里道路，5个城市区域，3/8波段Worldview-3图像（0.3m分辨率）。

• Urban 3D Challenge
  包含157k建筑轮廓掩码，RGB正射影像（0.5m分辨率），DSM/DTM，覆盖3个城市。

• DSTL Satellite Imagery Feature Detection Challenge
  包含10个土地覆盖类别，57个1x1km图像，3/16波段Worldview 3图像（0.3m-7.5m分辨率）。

• Inria Aerial Image Labeling
  包含建筑轮廓掩码，RGB空中图像（0.3m分辨率），覆盖5个城市。

• ISPRS Potsdam 2D Semantic Labeling Contest
  包含6个城市土地覆盖类别，栅格掩码标签，4波段RGB-IR空中图像（0.05m分辨率）和DSM。

4. Scene classification (Chip/Image recognition)

• BigEarthNet: Large-Scale Sentinel-2 Benchmark
  包含多

搜集汇总

数据集介绍

构建方式

该数据集的构建基于多源卫星和航空影像，涵盖了全球多个地区的实例分割、目标检测、语义分割和场景分类等任务。数据来源包括Worldview-3、Sentinel-2、Landsat 8等卫星影像，以及无人机和航空摄影数据。数据标注通过人工标注和自动化算法相结合的方式完成，部分数据集还提供了预训练模型和基线方法，以支持计算机视觉和深度学习研究。

使用方法

该数据集的使用方法主要包括数据下载、预处理和模型训练。用户可以通过GitHub、Kaggle等平台获取数据，并根据任务需求进行数据格式转换和增强。数据集的标注信息可以直接用于训练深度学习模型，部分数据集还提供了预训练模型和基线方法，便于快速验证和迭代。此外，数据集还支持多任务学习，用户可以根据具体需求选择不同的任务类型进行实验。

背景与挑战

背景概述

awesome-satellite-imagery-datasets 是一个专注于航空和卫星图像数据集的集合，旨在为计算机视觉和深度学习领域提供丰富的标注数据。该数据集由多个研究机构和公司共同创建，涵盖了实例分割、目标检测、语义分割、场景分类等多个任务。自2016年以来，随着遥感技术的快速发展，该数据集不断更新，包含了来自全球各地的卫星图像，涵盖了自然灾害、农业、城市规划等多个应用场景。其核心研究问题在于如何通过高分辨率卫星图像进行精确的地物识别与分类，推动了遥感图像分析领域的技术进步。

当前挑战

该数据集面临的挑战主要体现在两个方面：首先，遥感图像的分辨率和视角多样性使得地物识别与分类任务复杂化，尤其是在处理不同光照、天气条件下的图像时，模型的鲁棒性受到极大考验。其次，数据集的构建过程中，标注的准确性和一致性是主要难题，尤其是在大规模数据集的标注中，如何确保标注质量的同时保持高效性，仍然是一个亟待解决的问题。此外，遥感图像的多源数据融合（如光学图像与雷达图像的结合）也带来了数据处理和模型训练的复杂性。

常用场景

经典使用场景

在遥感图像分析领域，awesome-satellite-imagery-datasets数据集广泛应用于实例分割、目标检测、语义分割和场景分类等任务。例如，xView 2 Building Damage Assessment Challenge数据集通过提供全球多个灾害场景下的建筑足迹和损坏等级，支持了灾害评估和应急响应的研究。Spacenet Challenge系列数据集则通过高分辨率的卫星图像，推动了建筑物、道路等地理要素的自动提取技术的发展。

解决学术问题

该数据集解决了遥感图像分析中的多个关键学术问题，如高分辨率图像中的目标检测与分割、多光谱数据的融合分析以及大规模地理数据的自动化处理。通过提供丰富的标注数据和多样化的场景，研究者能够开发更精确的算法模型，提升遥感图像的解译能力。例如，DOTA数据集通过提供大规模的航空图像目标检测数据，推动了复杂场景下目标识别算法的进步。

实际应用

在实际应用中，awesome-satellite-imagery-datasets数据集为城市规划、灾害管理、农业监测和环境保护等领域提供了重要支持。例如，Microsoft BuildingFootprints数据集通过提供美国和加拿大的建筑足迹数据，支持了城市基础设施的规划与管理。此外，38-Cloud数据集通过云层分割任务，为气象学和气候研究提供了关键数据支持。

数据集最近研究

最新研究方向

近年来，卫星影像数据集在计算机视觉和深度学习领域的研究方向主要集中在实例分割、目标检测和语义分割等任务上。例如，xView 2建筑损伤评估挑战赛提供了全球20个地点的55万栋建筑足迹数据，涵盖了7种灾害类型，为灾害响应和恢复提供了重要支持。此外，DOTA数据集在目标检测领域表现出色，提供了15个类别的18.8万个实例，广泛应用于无人机图像分析。语义分割方面，SEN12MS数据集结合了Sentinel-1和Sentinel-2影像，提供了全球范围内的土地覆盖分类数据，为环境监测和气候变化研究提供了宝贵资源。这些数据集不仅推动了算法的发展，还在灾害管理、农业监测和城市规划等领域产生了深远影响。