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训练数据集，每个数据集都有详细的标注信息，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 satellite image training datasets for computer vision and deep learning applications. Each dataset is accompanied by detailed annotations, covering various categories such as instance segmentation, object detection, semantic segmentation, and scene classification.

原始信息汇总

数据集概述

1. 实例分割

• Open Cities AI Challenge (GFDRR, Mar 2020): 790k建筑轮廓，航空影像（0.03-0.2m分辨率，RGB，11k 1024x1024片，COG格式），非洲10个城市。
• DroneDeploy Segmentation Dataset (DroneDeploy, Dec 2019): 无人机影像（0.1m分辨率，RGB），标签（7种土地覆盖类别：建筑、杂乱、植被、水、地面、车辆）及高程数据，基准模型实现。
• SkyScapes: Urban infrastructure & lane markings (DLR, Nov 2019): 高度精确的街道车道标记（12个类别，如虚线、长线、斑马区）和城市基础设施（19个类别，如建筑、道路、植被）。航空影像（0.13m分辨率）覆盖德国慕尼黑5.7平方公里。
• xView 2 Building Damage Asessment Challenge (DIUx, Nov 2019): 550k建筑轮廓和4种损坏程度类别，全球20个地点和7种灾害类型（野火、滑坡、大坝崩溃、火山爆发、地震/海啸、风、洪水），Worldview-3影像（0.3m分辨率），预训练基准模型。
• Microsoft BuildingFootprints (Microsoft, Mar 2019): 12.6mil（加拿大）、125.2mil（美国）和17.9mil（乌干达/坦桑尼亚）建筑轮廓，GeoJSON格式，基于Bing影像使用ResNet34架构进行划分。
• Spacenet Challenge Round 4 - Off-nadir (CosmiQ Works, DigitalGlobe, Radiant Solutions, AWS, Dec 2018): 126k建筑轮廓（亚特兰大），27 WorldView 2图像（0.3m分辨率）从7-54度偏离天底角。双三次重采样到每个图像中的相同像素数以对抗更高天底角的原生粗糙分辨率。
• Airbus Ship Detection Challenge (Airbus, Nov 2018): 131k船只，104k训练/88k测试图像片，卫星影像（1.5m分辨率），栅格掩码标签以运行长度编码格式，Kaggle内核。
• Open AI Challenge: Tanzania (WeRobotics & Wordlbank, Nov 2018): 建筑轮廓和3种建筑条件，RGB UAV影像。
• Netherlands LPIS agricultural field boundaries (Netherlands Department for Economic Affairs): 294作物/植被类别，780k地块，2009-2018年年度数据集。
• Denmark LPIS agricultural field boundaries (Denmark Department for Agriculture): 293作物/植被类别，600k地块，2008-2018年年度数据集。
• CrowdAI Mapping Challenge (Humanity & Inclusion NGO, May 2018): 建筑轮廓，RGB卫星影像，COCO数据格式。
• Spacenet Challenge Round 2 - Buildings (CosmiQ Works, Radiant Solutions, NVIDIA, May 2017): 685k建筑轮廓，3/8带Worldview-3影像（0.3m分辨率），5个城市，SpaceNet Challenge资产库。
• Spacenet Challenge Round 1 - Buildings (CosmiQ Works, Radiant Solutions, NVIDIA, Jan 2017): 建筑轮廓（里约热内卢），3/8带Worldview-3影像（0.5m分辨率），SpaceNet Challenge资产库。

2. 目标检测

• DOTA: Large-scale Dataset for Object Detection in Aerial Images v1.5 (Wuhan University, Jun 2019): 15个类别，从飞机到桥梁，188k实例，Google Earth图像片，Faster-RCNN基准模型（MXNet），DOTA开发工具包，学术用途，论文。
• xView 2018 Detection Challenge (DIUx, Jul 2018): 60个类别，从直升机到体育场，1百万实例，Worldview-3影像（0.3m分辨率），COCO数据格式，预训练Tensorflow和Pytorch基准模型，论文。
• Open AI Challenge: Aerial Imagery of South Pacific Islands (WeRobotics & Worldbank, May 2018): 树位置和4种树种，RGB UAV影像（0.4m/0.8m分辨率），多个AOI在汤加。
• NIST DSE Plant Identification with NEON Remote Sensing Data (inria.fr, Oct 2017): 树位置，树种和冠层参数，高光谱（1m分辨率）和RGB影像（0.25m分辨率），LiDAR点云和冠层高度模型。
• NOAA Fisheries Steller Sea Lion Population Count (NOAA, Jun 2017): 5个海狮类别，约80k实例，约1k航空图像，Kaggle内核。
• Spacenet Rio De Janeiro Points of Interest Dataset (CosmiQ Works, Radiant Solutions, Jan 2017): 460个类别，从机场到网吧，120k点（11k手动确认），3/8带Worldview-3影像（0.5m分辨率），SpaceNet Challenge资产库。
• Stanford Drone Data (Stanford University, Oct 2016): 60个航空UAV视频在斯坦福校园和边界框，6个类别（行人、骑自行车者、滑板者、手推车、汽车、公共汽车），论文。
• Cars Overhead With Context (COWC) (Lawrence Livermore National Laboratory, Sep 2016): 32k汽车边界框，航空影像（0.15m分辨率），6个城市，论文。

3. 语义分割

• 95-Cloud: A Cloud Segmentation Dataset (S. Mohajerani et. all, Jan 2020): 34701个手动分割的384x384补丁与云掩码，Landsat 8影像（R,G,B,NIR; 30m分辨率），论文。
• Open Cities AI Challenge (GFDRR, Mar 2020): 790k建筑轮廓，航空影像（0.03-0.2m分辨率，RGB，11k 1024x1024片，COG格式），非洲10个城市。
• DroneDeploy Segmentation Dataset (DroneDeploy, Dec 2019): 无人机影像（0.1m分辨率，RGB），标签（7种土地覆盖类别：建筑、杂乱、植被、水、地面、车辆）及高程数据，基准模型实现。
• SkyScapes: Urban infrastructure & lane markings (DLR, Nov 2019): 高度精确的街道车道标记（12个类别，如虚线、长线、斑马区）和城市基础设施（19个类别，如建筑、道路、植被）。航空影像（0.13m分辨率）覆盖德国慕尼黑5.7平方公里。
• Open AI Challenge: Caribbean (MathWorks, WeRobotics, Wordlbank, DrivenData, Dec 2019): 预测建筑屋顶类型（5个类别，如混凝土、金属等）的建筑轮廓（22,553），RGB UAV影像（4cm分辨率，7个加勒比国家中的3个地区的7个区域）。
• Spacenet Challenge Round 5 - Road Network Extraction, Routing, Travel Time Estimation (CosmiQ Works, Maxar, Intel, AWS, Sep 2019): 2300图像片，街道几何形状与位置、形状和估计的旅行时间，3/8带Worldview-3影像（0.3m分辨率），4个全球城市，1个保留城市用于排行榜评估，APLS指标，基准模型。
• SEN12MS (TUM, Jun 2019): 180,748个相应的图像三元组包含Sentinel-1（VV&VH），Sentinel-2（所有波段，无云），和MODIS衍生的土地覆盖图（IGBP，LCCS，17个类别，500m分辨率）。所有数据上采样到10m分辨率，地理参考，覆盖所有大陆和气象季节，论文。
• Slovenia Land Cover Classification (Sinergise, Feb 2019): 10个土地覆盖类别，时间堆栈的超光谱Sentinel-2影像（R,G,B,NIR,SWIR1,SWIR2; 10m分辨率）为2017年，云掩码，斯洛文尼亚官方土地使用土地覆盖层作为地面真相。
• ALCD Reference Cloud Masks (CNES, Oct 2018): 8个类别（包括云和云阴影），38个Sentinel-2场景（10m分辨率）。手动标注和主动学习，论文。
• Agricultural Crop Cover Classification Challenge (CrowdANALYTIX, Jul 2018): 2个主要类别玉米和大豆，Landsat 8影像（30m分辨率），USDA Cropland数据层作为地面真相。
• Spacenet Challenge Round 3 - Roads (CosmiQ Works, Radiant Solutions, Feb 2018): 8000公里道路在5个城市AOI，3/8带Worldview-3影像（0.3m分辨率），SpaceNet Challenge资产库，论文。
• Urban 3D Challenge (USSOCOM, Dec 2017): 157k建筑轮廓掩码，RGB正射影像（0.5m分辨率），DSM/DTM，3个城市，SpaceNet Challenge资产库。
• DSTL Satellite Imagery Feature Detection Challenge (Dstl, Feb 2017): 10个土地覆盖类别，从作物到小型车辆，57个1x1km图像，3/16带Worldview 3影像（0.3m-7.5m分辨率），Kaggle内核。
• SPARCS: S2 Cloud Validation data (USGS, 2016): 7个类别（云，云阴影，水上的云阴影等），80个1kx1k px的Landsat 8场景子集（30m分辨率），论文。
• Biome: L8 Cloud Cover Validation data (USGS, 2016): 4个云类别（云，薄云，云阴影，清晰），96个Landsat 8场景（30m分辨率），12个生物群落，每个生物群落8个场景，论文。
• Inria Aerial Image Labeling (inria.fr): 建筑轮廓掩码，RGB航空影像（0.3m分辨率），5个城市。
• ISPRS Potsdam 2D Semantic Labeling Contest (ISPRS): 6个城市土地覆盖类别，栅格掩码标签，4波段RGB-IR航空影像（0.05m分辨率）和DSM，38个图像补丁。

4. 场景分类（芯片/图像识别）

• BigEarthNet: Large-Scale Sentinel-2 Benchmark (TU Berlin, Jan 2019): 基于CORINE Land Cover（CLC）2018的多个土地覆盖标签每芯片，590,326个芯片从Sentinel-2 L2A场景（125个Sentinel-2瓦片从10个欧洲国家，2017/2018），66 GB档案，论文。
• 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卫星影像（3m分辨率），约20k 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): 局部气候区分类，17个类别（10个城市如紧凑高层，7个农村如散树），400k 32x32像素芯片覆盖42个城市（LCZ42数据集），Sentinel 1 & Sentinel 2（均为10m分辨率），51 GB。
• Cactus Aerial Photos (CONACYT Mexico, Jun 2018): 17k航空照片，13k仙人掌，4k非仙人掌，Kaggle内核，论文。
• 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影像，Kaggle内核。
• Functional Map of the World Challenge (IARPA, Dec 2017): 63个类别从太阳能农场到购物中心，1百万芯片，4/8带卫星影像（0.3m分辨率），COCO数据格式，基准模型，论文。
• EuroSAT (DFK, Aug 2017): 10个土地覆盖类别从工业到永久作物，27k 64x64像素芯片，3/16带Sentinel-2卫星影像（10m分辨率），覆盖30个国家的城市，论文。
• 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）卫星影像（5m分辨率），亚马逊雨林，Kaggle内核。
• RESISC45 (Northwestern Polytechnical University NWPU, Mar 2017): 45个场景类别从飞机到湿地，31,500个图像（每个类别700个，256x256 px），从Google Earth获取的图像芯片（在全球范围内具有丰富的图像变化，分辨率，角度，地理），论文。
• Deepsat: SAT-4/SAT-6 airborne datasets (Louisiana State University, 2015): 6个土地覆盖类别，400k 28x28像素芯片，4波段RGBNIR航空影像（1m分辨率）从2009年国家农业影像计划（NAIP）提取，论文。
• UC Merced Land Use Dataset (UC Merced, Oct 2010): 21个土地覆盖类别从农业到停车场，每个类别100个芯片，航空影像（0.30m分辨率），论文。

5. 其他焦点/多任务

• IEEE Data Fusion Contest 2020 (IEEE & TUM, Mar 2020): 基于SEN12MS数据集（见本列表中的语义分割类别）的土地覆盖分类，低分辨率和高分辨率轨道。
• IEEE Data Fusion Contest 2019 (IEEE, Mar 2019): 多个轨道：语义3D重建，语义立体，3D点云分类。Worldview-3（8波段，0.35cm分辨率）卫星影像，LiDAR（0.80m脉冲间距，ASCII格式），语义标签，美国城市设置，提供基准方法，论文。
• IEEE Data Fusion Contest 2018 (IEEE, Mar 2018): 20个土地覆盖类别通过融合三个数据源：多光谱LiDAR，高光谱（1m），RGB影像（0.05m分辨率）。
• DEEPGLOBE - 2018 Satellite Challange (CVPR, Apr 2018): 三个挑战轨道：道路提取，建筑检测，土地覆盖分类，论文。
• 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，30m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，可以将高分辨率Worldview-3卫星图像转换为3D点云，0.2m激光雷达地面真相数据。
• Draper Satellite Image Chronology (Draper, Jun 2016): 预测在同一位置拍摄的图像的年代顺序，Kaggle内核。

搜集汇总

数据集介绍

构建方式

本数据集的构建汇集了来自不同来源的卫星图像和注释，涵盖了从实例分割到场景分类的多个任务类型。构建过程中，采用了先进的技术手段，如基于深度学习的建筑足迹提取，以及多源数据的融合标注。

特点

数据集特点包括数据来源多样、覆盖任务类型全面、图像分辨率高、标注质量可靠。特别是包含了灾害响应、道路提取、建筑检测等热点领域的专门数据集，为相关研究提供了宝贵资源。

使用方法

用户可以通过数据集提供的在线链接或通过Git仓库进行数据下载。使用前，需仔细阅读数据使用协议，遵守相关规定。数据集支持多种机器学习框架，并提供了预训练模型和基线模型，方便用户快速上手。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets 是一个全面收集空卫星图像数据集的列表，旨在为计算机视觉和深度学习提供丰富的数据资源。该数据集涵盖了从实例分割到场景分类等多个领域，包含了世界各地的城市和乡村地区的高分辨率卫星图像和无人机图像。创建于2020年，由多个研究人员和机构共同维护，其研究背景主要是为了促进卫星图像分析技术的发展，提升对地球表面变化的监测能力。

当前挑战

该数据集在构建过程中遇到的挑战主要包括：1) 多样化的数据类型和标注标准，需要统一处理；2) 高分辨率卫星图像带来的巨大数据量，对计算资源提出了较高要求；3) 数据标注的质量控制，确保标注的准确性和一致性；4) 数据隐私和安全性的考虑，尤其是在涉及敏感地区的数据处理上。在所解决的领域问题方面，例如Instance Segmentation任务面临的挑战包括如何精确分割出建筑物的轮廓，以及如何处理不同分辨率和角度的图像数据。

常用场景

经典使用场景

Awesome Satellite Imagery Datasets汇集了多种卫星图像数据集，其经典使用场景主要集中于计算机视觉和深度学习领域，例如，通过这些数据集进行建筑物的实例分割、对象检测、语义分割以及场景分类等任务，以实现对卫星图像的精细解析和利用。

实际应用

在实际应用中，Awesome Satellite Imagery Datasets可应用于城市规划、灾害评估、农业监测、环境监测等多个领域，为相关行业提供了宝贵的数据资源，增强了卫星图像在解决实际问题的能力。

衍生相关工作

基于该数据集，衍生出了众多相关的工作，如IEEE数据融合竞赛、DEEPGLOBE卫星挑战等，这些工作不仅扩展了数据集的应用范围，也推动了卫星图像处理技术的发展和创新。