NWPU VHR-10 dataset, SSDD dataset

NWPU VHR-10数据集是一个包含10个类别的地理空间对象检测数据集，包含800张VHR光学遥感图像，分为正负两个子集，用于对象检测和实例分割。SSDD数据集包含不同分辨率、极化、海况的SAR图像，用于船只检测研究。

The NWPU VHR-10 dataset is a geospatial object detection dataset comprising 10 categories, including 800 very high-resolution (VHR) optical remote sensing images, divided into positive and negative subsets for object detection and instance segmentation. The SSDD dataset contains SAR images of varying resolutions, polarizations, and sea states, utilized for ship detection research.

原始信息汇总

数据集概述

VHR-10_dataset_coco

• 类型: 十类地理空间目标检测数据集
• 图像数量: 总共800张，其中650张包含目标（正样本），150张不包含目标（负样本）
• 图像来源: 715张彩色图像来自Google Earth，85张彩色红外图像来自Vaihingen数据
• 分辨率: 彩色图像0.5-2米，红外图像0.08米
• 目标类别及数量: 757架飞机, 302艘船, 655个储油罐, 390个棒球场, 524个网球场, 159个篮球场, 163个田径场, 224个港口, 124座桥梁, 477辆车
• 标注: 手动标注边界框和实例掩码作为地面实况

SSDD

• 类型: SAR船只检测数据集
• 图像数量: 1160张
• 分辨率: 1米, 3米, 5米, 7米, 10米
• 特点: 包含不同分辨率、极化、海况、大面积海域和海滩的SAR图像
• 标注工具: 使用LabelMe开源项目进行标注，转换为COCO JSON格式

数据集下载

• VHR-10数据集: Google Cloud
• SSDD数据集: Google Cloud

数据集结构

• VHR-10_dataset_coco:
  • 正样本集: 650张图像
  • 标注文件: annotations.json
  • 脚本: split_datasets.py用于随机分割数据集

引用信息

• 参考文献:
  • [1] Su H, Wei S, Yan M, et al. Object Detection and Instance Segmentation in Remote Sensing Imagery Based on Precise Mask R-CNN[C]. IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2019: 1454-1457.
  • [2] Su, H.; Wei, S.; Liu, S.; Liang, J.; Wang, C.; Shi, J.; Zhang, X. HQ-ISNet: High-Quality Instance Segmentation for Remote Sensing Imagery. Remote Sens. 2020, 12, 989.

搜集汇总

数据集介绍

构建方式

在构建NWPU VHR-10数据集时，研究者精心收集了800张高分辨率光学遥感图像，其中715张彩色图像来自Google Earth，分辨率介于0.5至2米之间，而85张融合彩色红外图像则来自Vaihingen数据，分辨率为0.08米。数据集分为包含目标的正样本集（650张图像）和不包含目标的负样本集（150张图像）。通过人工标注，正样本集中包含了飞机、船只、储油罐等十类目标的边界框和实例掩码，为后续的物体检测和实例分割任务提供了精确的地面真值。

特点

NWPU VHR-10数据集以其高分辨率和多样的目标类别著称，涵盖了从飞机到车辆的十种不同目标，每种目标均经过细致的标注，确保了数据集在遥感图像分析中的实用性和挑战性。此外，SSDD数据集则专注于合成孔径雷达（SAR）图像中的船只检测，提供了不同分辨率、极化和海况的图像，为研究者提供了一个评估其方法的基准。

使用方法

使用NWPU VHR-10数据集时，用户需下载数据集并按照指定目录结构进行组织。数据集包含可视化脚本和随机分割数据集的脚本，便于用户进行数据预处理和可视化分析。此外，用户需安装pycocotools以支持COCO格式的标注文件处理。SSDD数据集的使用方法类似，用户可通过LabelMe工具进行标注，并将其转换为COCO JSON格式，以便于后续的模型训练和评估。

背景与挑战

背景概述

NWPU VHR-10数据集和SSDD数据集是针对高分辨率（VHR）遥感图像的目标检测和实例分割任务而创建的。NWPU VHR-10数据集由西北工业大学（NWPU）提供，包含800张VHR光学遥感图像，涵盖了从Google Earth获取的715张彩色图像和从Vaihingen数据获取的85张融合彩色红外图像。该数据集分为正样本集和负样本集，分别包含650张和150张图像，并手动标注了10类地物目标的边界框和实例掩码。SSDD数据集则专注于合成孔径雷达（SAR）图像中的船舶检测，包含1160张不同分辨率、极化方式和海况的SAR图像，同样通过LabelMe工具进行了实例掩码的标注。这两个数据集的创建旨在为遥感图像处理领域的研究人员提供一个标准化的基准，以评估和改进目标检测与实例分割算法。

当前挑战

NWPU VHR-10数据集和SSDD数据集在构建过程中面临多项挑战。首先，VHR遥感图像的高分辨率特性使得目标的细节更加丰富，但也增加了标注的复杂性和工作量。其次，SAR图像由于其成像原理的特殊性，存在噪声和相干斑点等问题，导致目标检测和分割的难度增加。此外，两个数据集均需在不同分辨率和成像条件下保持标注的一致性和准确性，这对标注工具和方法提出了高要求。最后，数据集的多样性和广泛性要求算法具备较强的泛化能力，以应对不同场景和目标类型的检测与分割任务。这些挑战不仅影响了数据集的构建质量，也对后续算法的研究和应用提出了更高的要求。

常用场景

经典使用场景

在遥感图像分析领域，NWPU VHR-10数据集和SSDD数据集被广泛应用于高分辨率（VHR）光学和合成孔径雷达（SAR）图像中的目标检测与实例分割任务。这些数据集通过提供丰富的标注信息，包括边界框和实例掩码，为研究人员提供了评估和改进目标检测算法的标准基准。经典的使用场景包括但不限于：利用这些数据集训练深度学习模型，以实现对飞机、船舶、储油罐等十类地物目标的高精度检测与分割。

解决学术问题

NWPU VHR-10数据集和SSDD数据集在解决遥感图像中的目标检测与实例分割问题上具有重要意义。这些数据集通过提供多样化的图像样本和精细的标注信息，帮助研究人员克服了在复杂背景和高分辨率图像中准确识别和定位目标的挑战。此外，这些数据集还促进了多模态遥感数据的融合研究，推动了遥感图像处理技术的发展，为实现更高效、更精确的遥感图像分析提供了有力支持。

衍生相关工作

NWPU VHR-10数据集和SSDD数据集的发布催生了一系列相关研究工作。例如，基于这些数据集，研究人员开发了多种先进的深度学习模型，如Mask R-CNN和HQ-ISNet，这些模型在遥感图像的目标检测和实例分割任务中表现出色。此外，这些数据集还促进了多模态数据融合技术的研究，推动了遥感图像处理领域的技术进步。相关研究成果不仅发表在IEEE国际地球科学与遥感研讨会（IGARSS）等顶级会议上，还发表在《Remote Sensing》等权威期刊上。