DefendIntelligence/vessel-detection-labeled-patches

该数据集包含经过验证的卫星图像块，用于船只检测任务。数据集支持对象检测和图像分类，格式兼容YOLO。内容包括图像块、元数据、注释文件和标签等。数据集的选择标准是已审核的非合成捕获图像。统计信息包括1920个图像块、1347个船只注释、844个硬负样本和1076个船只样本。来源数据集主要为Sentinel-2 RGB图像，还包括少量Sentinel-1 VV和Sentinel-2 SWIR图像。数据集分为训练集、测试集和验证集，比例分别为1516、219和185。船只类型主要为集装箱船和未知类型。此外，数据集还提供了地理坐标和像素空间坐标信息。

Validated/confirmed satellite image patches exported from the `military-boat-detection` review workflow. The dataset supports object detection and image classification tasks, compatible with YOLO format. Contents include patch images, metadata, annotation files, and labels. The selection criteria are non-synthetic captures with review status as `reviewed` or `reviewed_local`. Statistics show 1920 patches, 1347 vessel annotations, 844 hard negatives, and 1076 boat samples. Source datasets are mainly Sentinel-2 RGB, with a few Sentinel-1 VV and Sentinel-2 SWIR images. The dataset is split into train (1516), test (219), and validation (185) sets. Vessel types include container ships and unknown types. Geographic and pixel-space coordinates are also provided.

搜集汇总

数据集介绍

构建方式

该数据集源自军事船只检测标注工作流中经确认的卫星影像图斑，整合了来自哨兵一号与哨兵二号卫星的多源成像数据。构建过程严格筛选了审核状态为“已审阅”或“本地审阅”的非合成影像，排除了仍标记为“待审阅”的样本。数据以图斑图像为核心，辅以详尽的元数据表格（含嵌套对象信息）、YOLO格式标签文件以及确定性划分的训练/验证/测试集列表，最终形成结构清晰、层次分明的标准化数据集。

使用方法

数据加载可依托Hugging Face的ImageFolder规范读取图像与对应标注。目标检测任务可直接使用YOLO格式标签，其中负样本对应空文本文件。元数据以CSV与JSONL两种格式提供，便于灵活解析。结构化划分的1516个训练样本、219个测试样本与185个验证样本确保了模型评估的严谨性。此外，地理坐标字段天然支持将图斑定位到实际海域，便于空间分析与验证。

背景与挑战

背景概述

该数据集名为Vessel Detection Labeled Patches，创建于2026年5月，源自军事船只检测审查工作流，由相关研究机构基于Sentinel-1和Sentinel-2卫星影像构建。其核心研究问题聚焦于利用遥感影像进行海上船只检测，旨在为海洋监视、航道安全及国防应用提供高精度标注数据。数据集包含1920个影像块、1347个船只标注，并覆盖正样本与硬负样本，显著推动了卫星图像中目标检测与分类任务的发展。通过提供YOLO格式标签及地理坐标信息，该数据集为算法验证与模型部署奠定了坚实基础，在海洋遥感领域具有重要影响力。

当前挑战

该数据集所解决的领域挑战在于卫星影像中船只检测的复杂性，包括小目标识别、海面杂波干扰以及多源传感器（如光学与SAR影像）的融合问题。构建过程中面临的主要挑战包括：确保标注数据的准确性与一致性，通过人工审查排除未确认样本；处理正负样本不均衡，尤其是包含844个硬负样本以提升模型鲁棒性；提供地理与像素坐标系的双重标注，需克服坐标转换与空间对齐的技术难题。此外，数据来源于混合传感器类型，其中99.8%为Sentinel-2 RGB影像，跨模态泛化能力的验证亦构成重要挑战。

常用场景

经典使用场景

遥感影像中的船舶目标检测是海洋监视与海事安全领域的一项核心任务。该数据集提供了从Sentinel-1与Sentinel-2卫星影像中裁剪并经过人工审核的图块，包含正样本（含船舶）与难负样本（无船舶但背景复杂）两类。经典的使用方式是基于YOLO等目标检测框架，利用数据集中提供的归一化边界框标注与YOLO格式标签，训练能够从高分辨率卫星图像中精准识别船舶位置的深度学习模型。

解决学术问题

在学术研究中，该数据集主要解决了卫星影像船舶检测中标注数据稀缺与负样本采集困难的问题。传统数据集往往依赖合成样本或粗粒度标注，而该数据集通过人工审核流程提供了高质量的真实影像标注，并特别引入了难负样本以提升模型在复杂海岸、海况背景下的抗干扰能力。这项贡献推动了面向遥感图像的小目标检测、类别不平衡学习以及域适应方法的发展，增强了算法在近岸与开阔水域中的泛化性能。

实际应用

实际应用中，该数据集所训练的模型可部署于海事监控系统，用于自动识别港口、航道及公海上的各类船舶，包括集装箱船与未知类型船只。其地理坐标与像素级标注信息支持直接集成进地理信息系统，实现从卫星原始数据到船舶位置报告的端到端处理。该数据集在海洋权益维护、非法捕鱼监测、海上交通流量分析以及搜救应急响应等场景中展现出显著的应用价值。

数据集最近研究

最新研究方向

该数据集聚焦于利用高分辨率卫星遥感影像进行海洋船只检测，是遥感智能解译与海上目标监控领域的前沿课题。伴随海事安全与海洋权益保障议题升温，基于深度学习的目标检测技术正迎来广泛应用。Vessel Detection Labeled Patches汇集了来自Sentinel-1/2多源遥感数据的数千张经过人工校验的图像切片，提供丰富的船舶标注信息与严格的阴性样本，适配YOLO等主流模型训练。该数据集不仅支撑海洋目标检测算法的迭代优化，还为海上交通管理、非法捕捞监控及海洋环境治理等热点应用提供高质量数据基础，对推动全球海洋监测体系的智能化升级具有重要价值。