Awesome_Satellite_Benchmark_Datasets

这是一个收集和整理卫星基准数据集的资源集合，专注于遥感与摄影测量领域，涵盖了超过180个通过机载/星载成像或雷达传感器获取的数据集，用于机器学习方法的开发和评估。该合集提供了数据集的统计信息、发布时间、任务类型和链接，并定期更新以扩展数据集覆盖范围。This is a resource collection that gathers and curates satellite benchmark datasets, focusing on the field of remote sensing and photogrammetry. It covers over 180 datasets acquired via airborne/spaceborne imaging or radar sensors, which are used for the development and evaluation of machine learning methods. This collection provides statistical information, release dates, task types and links of the datasets, and is regularly updated to expand its coverage of datasets.

原始信息汇总

数据集详情概述

该页面汇总了 181 个遥感与摄影测量领域的基准数据集，涵盖了截至2021年5月公开发布的大部分机载/星载成像与雷达数据集（不包含点云数据集）。页面以表格形式提供了各数据集的统计信息，包括名称、发布年份、图像数量、图像尺寸、任务类型、类别数、数据量及下载链接。

主要任务类型

• 分类 (Class): 如 AID, EuroSAT, NWPU-RESISC45, PatternNet 等。
• 目标检测 (OD): 如 Oil Storage Tanks, NWPU-VHR10, SSDD, HRSID 等。
• 语义分割 (SemSeg): 如 BH-Pools + BH-WaterTanks, SpaceNet系列, SemCity Toulouse 等。
• 变化检测 (CD): 如 High Resolution Semantic Change Detection (HRSCD)。
• 图像复原/填充 (CR): 如 SEN12MS-CR。

代表性数据集

• AID: 2017年发布，10,000张图像，30类，数据量 2440 MB。
• BigEarthNet: 2019年发布，590,326张图像，数据量 121,000 MB。
• EuroSAT: 2018年发布，27,000张图像，10类，数据量 1920 MB。
• NWPU-RESISC45: 2016年发布，31,500张图像，45类，数据量 404.7 MB。
• SpaceNet-1: 2016年发布，9,735张图像，1类（建筑物检测），数据量 31,000 MB。
• SEN12MS: 2019年发布，180,662张图像，支持分类与语义分割，数据量 510,000 MB。
• SATIN: 2023年发布，775,632张图像，超过250类，数据量 56,600 MB。

论文与参考

• 详细统计与散点图见发表于 IEEE GRSM 的综述论文：IEEE链接
• 早期版本见于 IGARSS-2021 论文：arXiv链接

搜集汇总

数据集介绍

构建方式

在遥感与摄影测量领域，标注数据集是推动基于机器学习方法发展的基石。该数据集集合由Michael Schmitt、Ronny Hänsch及另一位研究者合作构建，系统梳理了截至2021年5月超过90%的公开基准数据集。这些数据均来源于机载或星载成像与雷达传感器，排除了点云数据。构建过程通过详尽的文献调研与网络检索，收录了181个基准卫星数据集，并为其建立了包含数据集名称、发表年份、图像数量、尺寸、任务类型、类别数及体积等关键统计信息的表格，同时提供了数据集的网页链接。

使用方法

用户可通过GitHub仓库中的表格直接访问每个数据集的官方链接，以获取原始数据。表格右侧列提供了数据集网页的入口，用户可滚动表格查看。对于每个数据集，表格中包含了其任务类型（如分类、检测等）与规模信息，帮助研究者根据需求选择合适的基准。该数据集集合本身是一个索引与指南，用户需通过链接跳转至各数据集的原始发布页面进行下载与使用。相关综述论文发表于IEEE GRSM，提供了更深入的分析与使用建议。

背景与挑战

背景概述

随着遥感技术的迅猛发展，基于机器学习的自动化遥感影像解译已成为地球观测领域的研究热点。然而，模型性能的提升高度依赖于高质量标注数据集的支撑。在此背景下，由Michael Schmitt、Ronny Hänsch等研究者于2021年发起的Awesome Satellite Benchmark Datasets项目应运而生，旨在系统梳理并整合全球范围内已有的遥感基准数据集。该研究团队对截至2021年5月公开发布的181个卫星基准数据集进行了全面回顾与统计分析，涵盖航空与星载成像及雷达传感器获取的影像数据，为遥感领域的研究者提供了宝贵的资源索引与参考框架。这一成果不仅有助于厘清数据集的发展脉络与特征，更推动了遥感智能解译研究的标准化与可复现性，对推动该领域的发展具有深远影响。

当前挑战

该数据集目录的构建面临着多重挑战。首先，遥感领域所解决的领域问题极具复杂性，涵盖场景分类、目标检测、语义分割、变化检测等多种任务，不同任务对数据集的标注粒度、样本规模及传感器类型均有迥异需求，如何确保收录的数据集能够覆盖这些多样化的任务并保持高质量是一大难题。其次，在构建过程中，数据集的搜集与整理面临来源分散、格式不一、元数据缺失等问题，部分数据集因版权或访问限制难以获取，且随着新数据集的持续涌现，维护与更新工作需耗费大量精力。此外，不同数据集在影像尺寸、空间分辨率、标注标准等方面存在显著差异，如何统一度量标准并确保统计信息的准确性，也为研究团队带来了严峻挑战。

常用场景

经典使用场景

在遥感与摄影测量领域，海量卫星基准数据集为基于机器学习的地物自动解译提供了不可或缺的训练与验证基石。该数据集汇聚了181个覆盖场景分类、目标检测、语义分割及变化检测等任务的标注资源，如AID、EuroSAT、NWPU-RESISC45等经典集合，广泛应用于深度神经网络模型的性能评估与跨任务迁移学习研究。研究者可借助这些高质量标注样本，系统性地对比不同算法在复杂地理环境下的泛化能力，从而推动遥感智能解译技术的标准化进程。

解决学术问题

该数据集系统性地解决了遥感领域长期存在的基准缺失与评估标准不统一问题。通过整合全球范围内超过90%的公开卫星影像标注资源，为学术社区提供了首个涵盖多传感器、多分辨率、多时相的综合评测平台。这一工作有效缓解了模型对比中因数据来源、标注规范差异导致的结论不可复现困境，使得场景分类、目标定位、语义分割等核心任务的性能评估更具科学性和可比性。其深远意义在于加速了遥感人工智能从经验驱动向数据驱动的范式转型，并为后续大规模预训练模型的构建奠定了数据基础。

实际应用

在实际应用中，该数据集衍生的预训练模型与算法已广泛服务于智慧城市、精准农业、灾害应急等关键领域。例如，基于SpaceNet系列数据训练的建筑物提取模型被用于城市违章建筑监测与人口分布估算；BigEarthNet支持的土地覆盖分类系统助力欧洲农业补贴核查与生态红线管控。此外，SAR舰船检测数据集（如HRSID、LS-SSDD）为海事监控系统提供了核心算法支撑，能够实时识别非法捕捞与海上走私活动。这些实践表明，该数据集已成为连接遥感理论研究与行业落地的桥梁。

数据集最近研究

最新研究方向

在遥感与摄影测量领域，随着深度学习技术的迅猛发展，高质量标注数据集已成为推动智能解译方法演进的核心基石。Awesome_Satellite_Benchmark_Datasets项目系统梳理了截至2021年全球超过90%的机载/星载成像与雷达传感器基准数据集，涵盖图像分类、目标检测、语义分割及变化检测等关键任务，为算法评估与跨任务迁移学习提供了标准化参照体系。当前研究前沿聚焦于多模态融合、大规模跨域泛化及弱监督学习等方向，例如通过整合光学与SAR数据提升场景理解鲁棒性，或利用自监督预训练缓解标注稀缺瓶颈。该数据集汇编工作不仅揭示了从传统手工特征到深度特征表示的历史演进脉络，更通过公开数据链接与统计特性为全球研究者搭建了开放协作平台。其最新综述论文在IEEE GRSM的发表，标志着遥感数据基准体系正迈向更系统化、可复现的成熟阶段，对推动环境监测、灾害响应及智慧城市等热点应用的算法落地具有深远意义。