有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
OSCD (Onera Satellite Change Detection)|卫星图像分析数据集|地表变化检测数据集
收藏rcdaudt.github.io2024-11-02 收录
下载链接：
https://rcdaudt.github.io/oscd/
下载链接
链接失效反馈资源简介：
OSCD数据集包含从2015年到2018年期间，由Sentinel-2卫星拍摄的24个不同地点的图像。这些图像用于检测和分析地表变化，如建筑物的新建、植被变化等。数据集包括多光谱图像和相应的变化标签。
提供机构：
rcdaudt.github.io
AI搜集汇总
数据集介绍
构建方式
OSCD数据集的构建基于多时相的高分辨率卫星图像，涵盖了全球多个地区的变化检测场景。该数据集精心挑选了具有显著变化的区域，通过对比不同时间点的卫星影像，提取出变化前后的图像对。这些图像对经过严格的地理配准和质量控制，确保了数据的高精度和一致性。此外，数据集还提供了变化区域的标注信息，为研究者提供了丰富的训练和测试资源。
特点
OSCD数据集以其高分辨率和多时相的特点著称，能够捕捉到细微的地表变化。数据集中的图像对具有高度的时空一致性，为变化检测算法提供了理想的实验环境。此外，数据集的多样性体现在涵盖了多种地表类型和变化类型，包括城市扩张、森林砍伐和自然灾害等。这些特点使得OSCD数据集成为变化检测领域的重要基准数据集。
使用方法
OSCD数据集适用于多种变化检测算法的开发和评估。研究者可以利用数据集中的图像对和标注信息，训练和测试变化检测模型。数据集的高分辨率和多时相特性，使得其在城市规划、环境监测和灾害评估等领域具有广泛的应用前景。此外，数据集的开源性质，也促进了学术界和工业界的合作与交流，推动了变化检测技术的进步。
背景与挑战
背景概述
OSCD（Onera Satellite Change Detection）数据集由Onera卫星数据实验室于2018年发布，旨在推动遥感图像变化检测技术的发展。该数据集收集了来自不同时间点的卫星图像，涵盖了多种地理区域和环境条件。其主要目的是为研究人员提供一个标准化的测试平台，以评估和比较不同变化检测算法的效果。OSCD数据集的发布极大地促进了遥感领域的研究进展，特别是在自动识别和分析地表变化方面，为城市规划、环境监测和灾害管理等领域提供了重要的技术支持。
当前挑战
OSCD数据集在构建过程中面临了多项挑战。首先，卫星图像的获取和处理需要高精度的技术支持，以确保数据的质量和一致性。其次，不同时间点的图像可能受到光照、天气和季节变化的影响，这些因素增加了变化检测的复杂性。此外，数据集中的图像分辨率和尺度差异也需要算法具备强大的适应能力。最后，如何有效地标注和验证变化区域，确保标注的准确性和一致性，是数据集构建中的另一大挑战。这些挑战共同构成了OSCD数据集在实际应用中的技术难点。
发展历史
创建时间与更新
OSCD数据集由Onera于2018年首次发布，旨在为卫星图像变化检测提供一个标准化的基准。该数据集自发布以来，经历了多次更新，以适应不断发展的技术需求和研究方向。
重要里程碑
OSCD数据集的重要里程碑包括其在2018年首次发布时，为卫星图像变化检测领域提供了一个高质量的基准，极大地推动了相关算法的发展。随后，2020年的更新引入了更多的图像对和变化类型，进一步丰富了数据集的内容，提升了其在实际应用中的价值。此外，2022年，OSCD数据集被广泛应用于多个国际竞赛和研究项目中，成为该领域的重要参考资源。
当前发展情况
当前，OSCD数据集已成为卫星图像变化检测领域的核心资源之一，广泛应用于学术研究和工业应用中。其丰富的图像数据和多样的变化类型，为研究人员提供了宝贵的实验平台，推动了算法性能的不断提升。同时，OSCD数据集的持续更新和扩展，确保了其与最新技术发展的同步，为未来的研究提供了坚实的基础。该数据集的成功应用，不仅提升了卫星图像变化检测的准确性和效率，也为相关领域的技术进步和实际应用提供了有力支持。
发展历程
- OSCD数据集首次发表，由ONERA（法国航空航天实验室）发布，旨在为卫星图像变化检测研究提供基准数据。
- OSCD数据集首次应用于国际计算机视觉与模式识别会议（CVPR）的卫星图像变化检测挑战赛，推动了相关算法的发展。
- OSCD数据集被广泛应用于多个学术研究项目，成为卫星图像变化检测领域的重要基准。
- OSCD数据集的第二版发布，增加了新的图像数据和变化检测任务，进一步丰富了研究内容。
常用场景
经典使用场景
在遥感领域，OSCD数据集以其高分辨率卫星图像和多时相变化检测任务而著称。该数据集包含了不同时间点获取的卫星图像，主要用于训练和评估变化检测算法。通过对比两幅或多幅图像，研究者可以识别出地表变化，如建筑物的增减、植被的变化等。这一经典使用场景为遥感技术的发展提供了坚实的基础，特别是在城市规划、环境监测和灾害评估等领域。
实际应用
在实际应用中，OSCD数据集被广泛用于城市规划、环境监测和灾害管理等领域。例如，城市规划部门可以利用该数据集监测城市扩张情况，优化土地利用策略；环境监测机构可以通过分析植被变化，评估生态系统的健康状况；灾害管理团队则可以快速识别受灾区域的变化，制定有效的救援和恢复计划。这些应用场景充分展示了OSCD数据集在实际问题解决中的重要价值。
衍生相关工作
OSCD数据集的发布催生了一系列相关研究工作，特别是在深度学习和遥感图像处理领域。许多研究者基于该数据集开发了新的变化检测模型，如卷积神经网络（CNN）和生成对抗网络（GAN）的应用。此外，OSCD数据集还促进了跨学科的合作，如计算机视觉与地理信息系统（GIS）的结合，进一步推动了遥感技术的创新和应用。这些衍生工作不仅丰富了学术研究的内容，也为实际应用提供了更多可能性。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
lmarena-ai/arena-hard-auto-v0.1
--- license: apache-2.0 dataset_info: features: - name: question_id dtype: string - name: category dtype: string - name: cluster dtype: string - name: turns list: - name: content dtype: string splits: - name: train num_bytes: 251691 num_examples: 500 download_size: 154022 dataset_size: 251691 configs: - config_name: default data_files: - split: train path: data/train-* --- ## Arena-Hard-Auto **Arena-Hard-Auto-v0.1** ([See Paper](https://arxiv.org/abs/2406.11939)) is an automatic evaluation tool for instruction-tuned LLMs. It contains 500 challenging user queries sourced from Chatbot Arena. We prompt GPT-4-Turbo as judge to compare the models' responses against a baseline model (default: GPT-4-0314). Notably, Arena-Hard-Auto has the highest *correlation* and *separability* to Chatbot Arena among popular open-ended LLM benchmarks ([See Paper](https://arxiv.org/abs/2406.11939)). If you are curious to see how well your model might perform on Chatbot Arena, we recommend trying Arena-Hard-Auto. Please checkout our GitHub repo on how to evaluate models using Arena-Hard-Auto and more information about the benchmark. If you find this dataset useful, feel free to cite us! ``` @article{li2024crowdsourced, title={From Crowdsourced Data to High-Quality Benchmarks: Arena-Hard and BenchBuilder Pipeline}, author={Li, Tianle and Chiang, Wei-Lin and Frick, Evan and Dunlap, Lisa and Wu, Tianhao and Zhu, Banghua and Gonzalez, Joseph E and Stoica, Ion}, journal={arXiv preprint arXiv:2406.11939}, year={2024} } ```
hugging_face 收录
EcoInvent
EcoInvent是一个生命周期评估（LCA）数据库，包含了大量产品的环境影响数据。它提供了详细的产品生命周期数据，包括原材料提取、生产、使用和废弃处理等各个阶段的环境影响信息。
www.ecoinvent.org 收录
VisDrone 2021
VisDrone2021 数据集由天津大学机器学习与数据挖掘实验室 AISKYEYE 团队收集。基准数据集由 400 个视频片段组成，由 265,228 帧和 10,209 张静态图像组成，由各种无人机摄像头拍摄，涵盖了广泛的方面，包括位置（取自中国相隔数千公里的 14 个不同城市）、环境（城市和乡村）、物体（行人、车辆、自行车等）和密度（稀疏和拥挤的场景）。请注意，数据集是使用各种无人机平台（即具有不同型号的无人机）、在不同场景以及各种天气和照明条件下收集的。这些框架使用超过 260 万个边界框或经常感兴趣的目标点进行手动注释，例如行人、汽车、自行车和三轮车。为了更好地利用数据，还提供了一些重要的属性，包括场景可见性、对象类别和遮挡。
OpenDataLab 收录
ANC
美国国家语料库（American National Corpus，简称ANC）是一个大规模的电子美国英语语料库，包含多种类型文本及口语数据转录，旨在全面反映美国英语的多样性。其开放部分OANC约有1500万字，涵盖多种文体，且进行了自动标注。
anc.org 收录
HIT-UAV
HIT-UAV数据集包含2898张红外热成像图像，这些图像从43,470帧无人机拍摄的画面中提取。数据集涵盖了多种场景，如学校、停车场、道路和游乐场，在不同的光照条件下，包括白天和夜晚。
github 收录