Awesome Satellite Imagery Datasets

列表包含航空和卫星图像数据集，带有计算机视觉和深度学习所需的标注。数据集按类别（实例分割、目标检测、语义分割、场景分类、其他）最新数据集排在顶部。The list comprises datasets of aerial and satellite imagery, annotated for computer vision and deep learning applications. Datasets are categorized (instance segmentation, object detection, semantic segmentation, scene classification, others) with the most recent datasets listed at the top.

原始信息汇总

数据集概述

1. 实例分割

• FloodNet
  数据来源：University of Maryland
  发布时间：Jun 2021
  数据内容：2343 image chips (drone imagery), 10 landcover categories
  相关论文：Rahnemoonfar et al., 2021

• PASTIS : Panoptic Agricultural Satellite TIme Series
  数据来源：IGN
  发布时间：Jul 2021
  数据内容：124,422 Agricultural parcels, 2,433 Sentinel-2 image chip timeseries, France, panoptic labels
  相关论文：Garnot & Landrieu 2021

• xView3 Dark Vessel Detection 2021
  数据来源：xView3 Team
  发布时间：Aug 2021
  数据内容：Maritime object bounding boxes for 1k Sentinel-1 scenes

2. 目标检测

• Airbus Aircraft Detection
  数据来源：Airbus
  发布时间：Mar 2021
  数据内容：Aircraft bounding boxes, 103 images of worldwide airports

• Airbus Oil Storage Detection
  数据来源：Airbus
  发布时间：Mar 2021
  数据内容：Oil storage tank annotations, 98 worldwide images

• xView3 Dark Vessel Detection 2021
  数据来源：xView3 Team
  发布时间：Aug 2021
  数据内容：Maritime object bounding boxes for 1k Sentinel-1 scenes

3. 语义分割

• FloodNet
  数据来源：University of Maryland
  发布时间：Jun 2021
  数据内容：2343 image chips (drone imagery), 10 landcover categories
  相关论文：Rahnemoonfar et al., 2021

• LoveDA
  数据来源：Wuhan University
  发布时间：Oct 2021
  数据内容：5987 image chips (Google Earth), 7 landcover categories
  相关论文：Wang et al., 2021

• FloodNet Challenge
  数据来源：UMBC, Microsoft, Texas A&M, Dewberry
  发布时间：May 2021
  数据内容：2343 UAV images from after Hurricane Harvey, landcover labels

• Dynamic EarthNet Challenge
  数据来源：Planet, DLR, TUM
  发布时间：April 2021
  数据内容：Weekly Planetscope time-series over 2 years, 75 aois, landcover labels

• Sentinel-2 Cloud Mask Catalogue
  数据来源：Francis, A., et al.
  发布时间：Nov 2020
  数据内容：513 cropped subscenes (1022x1022 pixels) taken randomly from entire 2018 Sentinel-2 archive

• MiniFrance
  数据来源：Université Bretagne-Sud and ONERA
  发布时间：Jul 2020
  数据内容：2000 very high resolution aerial images over 16 cities in France
  相关论文：Castillo-Navarro et al., 2021

• LandCoverNet: A Global Land Cover Classification Training Dataset
  数据来源：Alemohammad S.H., et al.
  发布时间：Jul 2020
  数据内容：1980 image chips of 256 x 256 pixels in V1.0 spanning 66 tiles of Sentinel-2
  相关论文：Alemohammad S.H., et al., 2020

• LandCover.ai: Dataset for Automatic Mapping of Buildings, Woodlands and Water from Aerial Imagery
  数据来源：Boguszewski, A., et al.
  发布时间：May 2020
  数据内容：41 orthophotos (9000x9000 px) over Poland, Aerial Imagery
  相关论文：Boguszewski et al., 2020

• 95-Cloud: A Cloud Segmentation Dataset
  数据来源：S. Mohajerani et. all
  发布时间：Jan 2020
  数据内容：34701 manually segmented 384x384 patches with cloud masks
  相关论文：Mohajerani et al. 2021

• Open Cities AI Challenge
  数据来源：GFDRR
  发布时间：Mar 2020
  数据内容：790k building footprints from Openstreetmap, aerial imagery

• DroneDeploy Segmentation Dataset
  数据来源：DroneDeploy
  发布时间：Dec 2019
  数据内容：Drone imagery, labels (7 land cover catageories) & elevation data

• SkyScapes: Urban infrastructure & lane markings
  数据来源：DLR
  发布时间：Nov 2019
  数据内容：Highly accurate street lane markings & urban infrastructure
  相关论文：Azimi et al. 2019

• Open AI Challenge: Caribbean
  数据来源：MathWorks, WeRobotics, Wordlbank, DrivenData
  发布时间：Dec 2019
  数据内容：Predict building roof type of provided building footprints, RGB UAV imagery

• SpaceNet 5: Automated Road Network Extraction & Route Travel Time Estimation
  数据来源：CosmiQ Works, Maxar, Intel, AWS
  发布时间：Sep 2019
  数据内容：2300 image chips, street geometries with location, shape and estimated travel time

• SEN12MS
  数据来源：TUM
  发布时间：Jun 2019
  数据内容：180,748 corresponding image triplets containing Sentinel-1, Sentinel-2, and MODIS-derived land cover maps
  相关论文：Schmitt et al. 2018

• Slovenia Land Cover Classification
  数据来源：Sinergise
  发布时间：Feb 2019
  数据内容：10 land cover classes, temporal stack of hyperspectral Sentinel-2 imagery

• ALCD Reference Cloud Masks
  数据来源：CNES
  发布时间：Oct 2018
  数据内容：8 classes for 38 Sentinel-2 scenes
  相关论文：Baetens et al. 2019

• Agricultural Crop Cover Classification Challenge
  数据来源：CrowdANALYTIX
  发布时间：Jul 2018
  数据内容：2 main categories corn and soybeans, Landsat 8 imagery

• RoadNet
  数据来源：Wuhan
  发布时间：Oct 2018
  数据内容：Road network labels, high-res Google Earth imagery
  相关论文：Liu et al. 2018

• SpaceNet 3: Road Network Detection
  数据来源：CosmiQ Works, Radiant Solutions
  发布时间：Feb 2018
  数据内容：8000 km of roads in 5 city aois
  相关论文：Van Etten et al. 2018

• Urban 3D Challenge
  数据来源：USSOCOM
  发布时间：Dec 2017
  数据内容：157k building footprint masks, RGB orthophotos

• DSTL Satellite Imagery Feature Detection Challenge
  数据来源：Dstl
  发布时间：Feb 2017
  数据内容：10 land cover categories from crops to vehicle small

• SPARCS: S2 Cloud Validation data
  数据来源：USGS
  发布时间：2016
  数据内容：7 categories, 80 1kx1k px. subset Landsat 8 scenes
  相关论文：Hughes, J.M. & Hayes D.J. 2014

• Biome: L8 Cloud Cover Validation data
  数据来源：USGS
  发布时间：2016
  数据内容：4 cloud categories, 96 Landsat 8 scenes
  相关论文：Foga et al. 2017

• Inria Aerial Image Labeling
  数据来源：inria.fr
  数据内容：Building footprint masks, RGB aerial imagery

• ISPRS Potsdam 2D Semantic Labeling Contest
  数据来源：ISPRS
  数据内容：6 urban land cover classes, raster mask labels, 4-band RGB-IR aerial imagery & DSM

搜集汇总

数据集介绍

构建方式

Awesome Satellite Imagery Datasets 数据集的构建方式主要依赖于多源卫星和无人机图像的收集与标注。数据集涵盖了多种计算机视觉任务，包括实例分割、目标检测和语义分割等。具体构建过程中，研究团队从不同卫星和无人机平台获取高分辨率图像，并结合地理信息系统（GIS）技术进行精确标注。例如，FloodNet 数据集通过无人机获取的图像，标注了洪水后的地物变化；PASTIS 数据集则利用 Sentinel-2 卫星图像，对农业地块进行了详细的时间序列标注。这些数据集的构建不仅依赖于先进的遥感技术，还结合了大量的实地验证和人工校正，确保数据的准确性和可靠性。

特点

Awesome Satellite Imagery Datasets 数据集的主要特点在于其多样性和高分辨率。数据集包含了来自不同平台（如卫星、无人机）和不同传感器（如光学、雷达）的图像，覆盖了全球多个地区和多种环境条件。此外，数据集的标注精细，涵盖了从简单的地物分类到复杂的时间序列变化分析。例如，SpaceNet 系列数据集提供了详细的建筑物和道路网络标注，而 iSAID 数据集则专注于航空图像中的目标检测。这些特点使得该数据集成为遥感图像处理和深度学习研究的宝贵资源，能够支持从基础研究到实际应用的多种需求。

使用方法

Awesome Satellite Imagery Datasets 数据集的使用方法多样，适用于多种计算机视觉和深度学习任务。首先，用户可以根据具体研究需求选择合适的数据集子集，如针对建筑物检测可以选择 SpaceNet 数据集，针对农业监测可以选择 PASTIS 数据集。其次，数据集提供了详细的标注文件和元数据，用户可以通过这些信息进行数据预处理和模型训练。例如，使用 COCO 格式标注的 xView 数据集可以直接导入到支持该格式的深度学习框架中。此外，数据集还提供了一些基准模型和工具，如 DeepForest 用于树木检测，用户可以基于这些工具进行快速实验和模型评估。总体而言，该数据集为研究人员和开发者提供了一个全面且易于使用的平台，以推动遥感图像分析技术的发展。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets 是一个汇集了多种卫星和航空影像数据集的资源列表，专注于计算机视觉和深度学习应用。该数据集由多个研究机构和公司共同创建，涵盖了从2016年至今的多个数据集，包括但不限于建筑物检测、道路网络提取、农业监测和自然灾害评估等领域。这些数据集的创建旨在推动卫星影像分析技术的发展，特别是在实例分割、对象检测和语义分割等任务中。通过提供高质量的标注数据，这些数据集为研究人员和开发者提供了一个宝贵的资源，以开发和验证新的算法和模型。

当前挑战

尽管Awesome Satellite Imagery Datasets 提供了丰富的数据资源，但在其构建和应用过程中仍面临诸多挑战。首先，卫星和航空影像的高分辨率和大规模数据处理要求高性能计算资源和高效的算法。其次，不同数据集的标注标准和质量参差不齐，这给模型的训练和评估带来了困难。此外，由于卫星影像的获取成本高昂，数据集的更新和扩展受到限制，难以覆盖所有地理区域和时间点。最后，卫星影像中的云层、阴影等自然现象对数据质量的影响也是一个重要的挑战，需要开发更加鲁棒的预处理和后处理技术。

常用场景

经典使用场景

Awesome Satellite Imagery Datasets 数据集在计算机视觉和深度学习领域中被广泛用于实例分割、目标检测、语义分割和场景分类等任务。例如，SpaceNet 系列数据集通过提供高分辨率的卫星图像和详细的建筑物足迹标注，支持了城市规划和灾害响应中的建筑物检测和变化监测研究。此外，FloodNet 数据集利用无人机图像，为洪水灾害后的土地覆盖分类提供了宝贵的数据资源，推动了灾害响应和环境监测技术的发展。

实际应用

在实际应用中，Awesome Satellite Imagery Datasets 数据集被广泛用于城市规划、灾害响应、农业监测和环境保护等领域。例如，在城市规划中，高精度的建筑物检测和变化监测有助于优化城市布局和资源分配。在灾害响应中，快速准确的土地覆盖分类和变化检测能够提高应急响应的效率和准确性。此外，农业监测和环境保护中的应用也显著提升了相关领域的数据分析和决策支持能力。

衍生相关工作

基于 Awesome Satellite Imagery Datasets 数据集，许多经典工作得以开展，推动了卫星图像处理技术的发展。例如，SpaceNet 系列数据集催生了多个建筑物检测和变化监测的算法，如基于深度学习的建筑物足迹提取方法。FloodNet 数据集则促进了洪水灾害后土地覆盖分类的研究，推动了灾害响应技术的进步。此外，该数据集还支持了多个国际竞赛和挑战，如 xView 挑战赛，进一步促进了相关技术的创新和应用。