Awesome Satellite Imagery Datasets

包含多个卫星图像数据集，用于计算机视觉和深度学习的训练，每个数据集都有详细的描述和应用场景。

This dataset encompasses multiple satellite imagery collections, meticulously curated for training in computer vision and deep learning. Each collection is accompanied by comprehensive descriptions and application scenarios.

原始信息汇总

数据集概述

1. 实例分割

• Agriculture-Vision Database & CVPR 2020 challenge

  • 数据来源：UIUC, Intelinair, CVPR
  • 发布时间：Jan 2020
  • 数据内容：21k 航空农田图像（RGB-NIR，美国，2019季节，512x512px芯片），6种田间异常模式标签（云影，双株，播种跳过，积水，水道和杂草簇）
  • 相关论文：Chiu et al. 2020

• Spacenet Challenge Round 6 - Multi-Sensor All Weather Mapping

  • 数据来源：CosmiQ Works, Capella Space, Maxar, AWS, Intel
  • 发布时间：Feb 2020
  • 数据内容：48k 建筑足迹（增强的3DBAG数据集，建筑高度属性），Capella Space SAR数据（0.5m分辨率，四种极化）& Worldview-3图像（0.3m分辨率），荷兰鹿特丹

• xView 2 Building Damage Asessment Challenge

  • 数据来源：DIUx
  • 发布时间：Nov 2019
  • 数据内容：550k 建筑足迹 & 4种损坏等级，20个全球位置和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图像（0.3m分辨率），预训练基线模型
  • 相关论文：Gupta et al. 2019

2. 对象检测

• DOTA: Large-scale Dataset for Object Detection in Aerial Images v1.5

  • 数据来源：Wuhan University
  • 发布时间：Jun 2019
  • 数据内容：15类对象（从飞机到桥梁），188k实例，Google Earth图像芯片，Faster-RCNN基线模型（MXNet），DOTA开发工具包
  • 相关论文：Xia et al. 2018

• xView 2018 Detection Challenge

  • 数据来源：DIUx
  • 发布时间：Jul 2018
  • 数据内容：60类对象（从直升机到体育场），1百万实例，Worldview-3图像（0.3m分辨率），COCO数据格式，预训练Tensorflow和Pytorch基线模型
  • 相关论文：Lam et al. 2018

3. 语义分割

• 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个手动分割的384x384补丁，云掩码，Landsat 8图像（R,G,B,NIR; 30 m分辨率）
  • 相关论文：Mohajerani et al. 2019

• Open Cities AI Challenge

  • 数据来源：GFDRR
  • 发布时间：Mar 2020
  • 数据内容：790k 建筑足迹来自Openstreetmap（2个标签质量类别），航空图像（0.03-0.2m分辨率，RGB，11k 1024x1024芯片，COG格式），非洲10个城市

4. 场景分类

• BigEarthNet: Large-Scale Sentinel-2 Benchmark
  • 数据来源：TU Berlin
  • 发布时间：Jan 2019
  • 数据内容：基于CORINE Land Cover（CLC）2018的多重土地覆盖标签，590,326个芯片来自Sentinel-2 L2A场景（125个Sentinel-2瓦片来自10个欧洲国家，2017/2018），66 GB档案
  • 相关论文：Sumbul et al. 2019

5. 其他任务

• IEEE Data Fusion Contest 2020
  • 数据来源：IEEE & TUM
  • 发布时间：Mar 2020
  • 数据内容：基于SEN12MS数据集（见类别语义分割）的土地覆盖分类，低和高分辨率轨道

搜集汇总

数据集介绍

构建方式

Awesome Satellite Imagery Datasets 是一个精心策划的遥感影像数据集集合，涵盖了从实例分割到场景分类的多种计算机视觉任务。该数据集的构建基于多个公开竞赛和学术研究项目，通过整合来自不同来源的卫星和航空影像数据，确保了数据的多样性和广泛性。每个子数据集都经过严格的标注和质量控制，涵盖了全球多个地理区域和气候条件，确保了数据的代表性和实用性。

特点

该数据集的特点在于其丰富的数据类型和广泛的应用场景。数据集不仅包含了高分辨率的RGB影像，还涵盖了多光谱、SAR、LiDAR等多种传感器数据，能够满足不同研究需求。此外，数据集中的标注信息涵盖了建筑物、道路、农作物、云层等多种地物类型，且标注质量高，适用于深度学习模型的训练和验证。数据集还提供了多个基线模型和评估指标，方便研究人员快速上手和对比实验结果。

使用方法

使用Awesome Satellite Imagery Datasets时，研究人员可以根据具体任务选择相应的子数据集。每个子数据集通常提供了详细的README文件，包含数据下载链接、标注格式和使用示例。研究人员可以通过GitHub页面或相关竞赛平台获取数据，并使用提供的基线模型进行实验。数据集支持多种深度学习框架，如TensorFlow和PyTorch，且提供了COCO等标准数据格式，便于与其他数据集进行整合和对比研究。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets 是一个专注于收集和整理带有标注的航空和卫星影像数据集的资源库，旨在为计算机视觉和深度学习领域的研究提供支持。该数据集由多个研究机构和公司共同维护，涵盖了实例分割、目标检测、语义分割、场景分类等多个任务。数据集的核心研究问题包括农业模式分析、建筑物检测、道路网络提取等，广泛应用于灾害响应、城市规划、农业监测等领域。自2017年以来，该数据集通过多次挑战赛和公开数据集发布，推动了遥感影像分析技术的进步，并在学术界和工业界产生了深远影响。

当前挑战

Awesome Satellite Imagery Datasets 面临的挑战主要体现在两个方面。首先，遥感影像数据的多样性和复杂性使得模型训练和评估变得困难。例如，不同传感器（如光学、SAR）获取的影像分辨率、光谱范围各异，且受天气、光照等外部因素影响较大，导致数据预处理和特征提取的难度增加。其次，数据标注的准确性和一致性是构建高质量数据集的关键挑战。由于遥感影像的标注通常依赖于人工或半自动方法，标注过程中可能出现误差，尤其是在处理大规模数据时，确保标注质量的一致性尤为困难。此外，多源数据的融合与对齐也是构建过程中需要解决的技术难题。

常用场景

经典使用场景

Awesome Satellite Imagery Datasets 数据集广泛应用于计算机视觉和深度学习领域，特别是在实例分割、目标检测、语义分割和场景分类等任务中。例如，Agriculture-Vision Database 提供了21,000张农田图像，用于分析农业异常模式，如云影、双植物、种植机跳过等。这些数据集为研究人员提供了丰富的标注数据，帮助他们开发更精确的模型。

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、农业监测等领域。例如，Open Cities AI Challenge 提供了790,000个建筑物足迹，用于评估非洲10个城市的建筑物损坏情况，帮助政府和救援机构制定有效的灾害响应策略。此外，Agriculture-Vision Database 也被用于监测农田健康状况，帮助农民优化种植策略。

衍生相关工作

该数据集衍生了许多经典的研究工作，如Chiu et al. 2020 提出的农业异常检测模型，以及Gupta et al. 2019 提出的建筑物损坏评估模型。这些研究不仅推动了计算机视觉和深度学习领域的发展，还为实际应用提供了有力的技术支持。例如，xView 2 Building Damage Assessment Challenge 提供了一个预训练模型，用于评估全球20个地点的建筑物损坏情况。