Awesome Satellite Imagery Datasets

包含多个带有注释的卫星图像数据集，用于计算机视觉和深度学习。每个类别（实例分割、目标检测、语义分割、芯片分类、其他）中最新的数据集位于顶部。

This dataset comprises multiple annotated satellite image collections, designed for computer vision and deep learning applications. The most recent datasets within each category (instance segmentation, object detection, semantic segmentation, chip classification, and others) are positioned at the top.

原始信息汇总

数据集概述

实例分割

• Spacenet Challenge Round 4 - Off-nadir
  数据来源：CosmiQ Works, DigitalGlobe, Radiant Solutions, AWS
  发布时间：Dec 2018
  数据内容：126k建筑轮廓（亚特兰大），27张WorldView 2图像（0.3m分辨率），从7-54度偏离天底角。

• Airbus Ship Detection Challenge
  数据来源：Airbus
  发布时间：Nov 2018
  数据内容：131k船只，104k训练/88k测试图像片，卫星图像（1.5m分辨率），栅格掩码标签采用运行长度编码格式。

• Open AI Challenge: Tanzania
  数据来源：WeRobotics & Worldbank
  发布时间：Nov 2018
  数据内容：建筑轮廓及3种建筑条件，RGB无人机图像。

• Netherlands LPIS agricultural field boundaries
  数据来源：Netherlands Department for Economic Affairs
  数据内容：294种作物/植被类别，780k地块，2009-2018年年度数据集。

• Denmark LPIS agricultural field boundaries
  数据来源：Denmark Department for Agriculture
  数据内容：293种作物/植被类别，600k地块，2008-2018年年度数据集。

• CrowdAI Mapping Challenge
  数据来源：Humanity & Inclusion NGO
  发布时间：May 2018
  数据内容：建筑轮廓，RGB卫星图像，COCO数据格式。

• Spacenet Challenge Round 2 - Buildings
  数据来源：CosmiQ Works, Radiant Solutions, NVIDIA
  发布时间：May 2017
  数据内容：685k建筑轮廓，3/8波段Worldview-3图像（0.3m分辨率），5个城市。

• Spacenet Challenge Round 1 - Buildings
  数据来源：CosmiQ Works, Radiant Solutions, NVIDIA
  发布时间：Jan 2017
  数据内容：建筑轮廓（里约热内卢），3/8波段Worldview-3图像（0.5m分辨率）。

目标检测

• DOTA: Large-scale Dataset for Object Detection in Aerial Images
  数据来源：Wuhan University等
  数据内容：15个类别，188k实例，Google Earth图像片，Faster-RCNN基准模型（MXNet）。

• xView 2018 Detection Challenge
  数据来源：DIUx
  发布时间：Jul 2018
  数据内容：60个类别，1百万实例，Worldview-3图像（0.3m分辨率），COCO数据格式，预训练的Tensorflow和Pytorch基准模型。

• Open AI Challenge: Aerial Imagery of South Pacific Islands
  数据来源：WeRobotics & Worldbank
  发布时间：May 2018
  数据内容：树位置及4种树种，RGB无人机图像（0.4m/0.8m分辨率），汤加多个AOI。

• NIST DSE Plant Identification with NEON Remote Sensing Data
  数据来源：inria.fr
  发布时间：Oct 2017
  数据内容：树位置，树种和冠层参数，高光谱（1m分辨率）& RGB图像（0.25m分辨率），LiDAR点云和冠层高度模型。

• NOAA Fisheries Steller Sea Lion Population Count
  数据来源：NOAA
  发布时间：Jun 2017
  数据内容：5个海狮类别，约80k实例，约1k空中图像。

• Spacenet Rio De Janeiro Points of Interest Dataset
  数据来源：CosmiQ Works, Radiant Solutions
  发布时间：Jan 2017
  数据内容：460个类别，120k点（11k手动确认），3/8波段Worldview-3图像（0.5m分辨率）。

• Cars Overhead With Context (COWC)
  数据来源：Lawrence Livermore National Laboratory
  数据内容：32k车辆边界框，航空图像（0.15m分辨率），6个城市。

语义分割

• Agricultural Crop Cover Classification Challenge
  数据来源：CrowdANALYTIX
  发布时间：Jul 2018
  数据内容：2个主要类别玉米和大豆，Landsat 8图像（30m分辨率），USDA作物数据层作为地面实况。

• Spacenet Challenge Round 3 - Roads
  数据来源：CosmiQ Works, Radiant Solutions
  发布时间：Feb 2018
  数据内容：5个城市aois中的8000公里道路，3/8波段Worldview-3图像（0.3m分辨率）。

• Urban 3D Challenge
  数据来源：USSOCOM
  发布时间：Dec 2017
  数据内容：157k建筑轮廓掩码，RGB正射影像（0.5m分辨率），DSM/DTM，3个城市。

• DSTL Satellite Imagery Feature Detection Challenge
  数据来源：Dstl
  发布时间：Feb 2017
  数据内容：10个土地覆盖类别，57个1x1km图像，3/16波段Worldview 3图像（0.3m-7.5m分辨率）。

• Inria Aerial Image Labeling
  数据来源：inria
  数据内容：建筑轮廓掩码，RGB航空图像（0.3m分辨率），5个城市。

• ISPRS Potsdam 2D Semantic Labeling Contest
  数据来源：ISPRS
  数据内容：6个城市土地覆盖类别，栅格掩码标签，4波段RGB-IR航空图像（0.05m分辨率）& DSM，38个图像块。

芯片分类（图像识别）

• Alibaba Cloud German AI Challenge 2019
  数据来源：StepStone, DLR, Alibaba Cloud, Tianchi
  发布时间：Jan 2018
  数据内容：本地气候区分类，17个类别（10个城市，7个农村），400k 32x32像素芯片覆盖42个城市（LCZ42数据集），Sentinel 2 & Sentinel 1（均为10m分辨率）。

• Statoil/C-CORE Iceberg Classifier Challenge
  数据来源：Statoil/C-CORE
  发布时间：Jan 2018
  数据内容：2个类别船和冰山，2波段HH/HV极化SAR图像。

• Functional Map of the World Challenge
  数据来源：IARPA
  发布时间：Dec 2017
  数据内容：63个类别，1百万芯片，4/8波段卫星图像（0.3m分辨率），COCO数据格式，基准模型。

• EuroSAT
  数据来源：DFK
  发布时间：Aug 2017
  数据内容：10个土地覆盖类别，27k 64x64像素芯片，3/16波段Sentinel-2卫星图像（10m分辨率），覆盖30个国家的城市。

• Planet: Understanding the Amazon from Space
  数据来源：Planet
  发布时间：Jul 2017
  数据内容：13个土地覆盖类别+4个云条件类别，4波段（RGB-NIR）卫星图像（5m分辨率），亚马逊雨林。

• Deepsat: SAT-4/SAT-6 airborne datasets
  数据来源：Louisiana State University
  发布时间：2015
  数据内容：6个土地覆盖类别，400k 28x28像素芯片，4波段RGBNIR航空图像（1m分辨率），从2009年国家农业图像计划（NAIP）提取。

• UC Merced Land Use Dataset
  数据来源：UC Merced
  发布时间：Oct 2010
  数据内容：21个土地覆盖类别，每类100个芯片，航空图像（0.30m分辨率）。

其他焦点/多任务

• DEEPGLOBE - 2018 Satellite Challange
  数据来源：CVPR
  发布时间：Apr 2018
  数据内容：三个挑战赛道：道路提取，建筑检测，土地覆盖分类。

• IEEE Data Fusion Contest 2018
  数据来源：IEEE
  发布时间：-Mar 2018
  数据内容：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图像（0.05m分辨率）。

• TiSeLaC : Time Series Land Cover Classification Challenge
  数据来源：UMR TETIS
  发布时间：Jul 2017
  数据内容：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
  数据来源：IARPA
  发布时间：Nov 2016
  数据内容：开发一个多视点立体（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 LiDAR地面实况数据。

• Draper Satellite Image Chronology
  数据来源：Draper
  发布时间：Jun 2016
  数据内容：预测在同一位置拍摄的图像在5天内的顺序。

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通过整合多个公开的卫星和航空影像数据集，涵盖了从实例分割、目标检测到语义分割等多种计算机视觉任务。这些数据集由不同的组织和机构提供，包括CosmiQ Works、Airbus、WeRobotics等，每个数据集都包含了详细的标注信息，如建筑物轮廓、道路网络、植被类型等。数据集的构建过程中，采用了多种分辨率的影像，从0.15米到30米不等，以满足不同应用场景的需求。此外，部分数据集还提供了多光谱和LiDAR点云数据，增强了数据的多维度特性。

特点

该数据集的显著特点在于其多样性和广泛的应用领域。首先，数据集涵盖了从低分辨率到高分辨率的多种影像类型，适应了从宏观到微观的不同分析需求。其次，数据集包含了丰富的标注信息，支持多种计算机视觉任务，如实例分割、目标检测和语义分割等。此外，数据集还包含了多光谱和LiDAR数据，提供了更丰富的地理空间信息。最后，数据集的多样性还体现在其覆盖的地理区域广泛，从城市到农村，从热带雨林到北极冰川，几乎涵盖了全球的主要地理特征。

使用方法

Awesome Satellite Imagery Datasets 数据集适用于多种计算机视觉和深度学习任务。用户可以根据具体需求选择适合的数据集进行训练和测试，如建筑物检测、道路提取、植被分类等。使用该数据集时，用户需首先下载所需的数据集，并根据提供的标注信息进行预处理。对于深度学习任务，用户可以选择使用预训练模型或从头开始训练。此外，数据集还提供了基准模型和开发工具包，帮助用户快速上手并进行模型评估。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets 是一个汇集了多种航空和卫星影像数据集的资源库，专门为计算机视觉和深度学习研究提供标注数据。该数据集由多个机构和研究人员共同创建，涵盖了从2017年到2019年的多个挑战和竞赛数据。主要研究人员和机构包括CosmiQ Works、DigitalGlobe、Radiant Solutions、AWS等，核心研究问题集中在实例分割、目标检测、语义分割、图像分类等多个领域。这些数据集的创建不仅推动了卫星影像分析技术的发展，还为相关领域的研究提供了丰富的实验数据，极大地促进了计算机视觉和深度学习在遥感领域的应用。

当前挑战

Awesome Satellite Imagery Datasets 面临的挑战主要集中在数据集的多样性和复杂性上。首先，不同数据集的分辨率、角度和标注格式各异，导致数据预处理和模型训练的复杂性增加。其次，卫星影像数据通常具有高维度和大规模特性，处理和存储这些数据对计算资源提出了较高要求。此外，由于卫星影像的特殊性，如光照变化、云层遮挡等，数据集的标注质量和一致性也是一个重要挑战。最后，如何有效地融合多源数据，如多光谱、高光谱和LiDAR数据，以提高模型的泛化能力和精度，是当前研究的一个关键问题。

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广泛应用于实例分割、目标检测、语义分割和图像分类等任务。例如，Spacenet Challenge Round 4 - Off-nadir 数据集提供了126,000个建筑物足迹，适用于高分辨率卫星图像中的建筑物检测与分割任务。此外，Airbus Ship Detection Challenge 数据集包含131,000艘船只的标注，适用于船舶检测和分割任务，这些经典场景为研究人员提供了丰富的数据资源，推动了相关技术的快速发展。

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、农业监测、灾害评估和军事侦察等领域。例如，通过分析建筑物和道路的分布，城市规划者可以优化基础设施布局；农业监测系统利用作物分类数据来优化种植策略；灾害评估中，快速准确地识别受灾区域对于救援行动至关重要。此外，军事侦察中，目标检测和分割技术能够帮助识别潜在威胁，提升国家安全。

衍生相关工作

基于Awesome Satellite Imagery Datasets，许多经典工作得以展开，如在Spacenet系列数据集上，研究人员开发了多种建筑物检测和道路提取算法，显著提升了模型的精度和效率。DOTA数据集的引入，推动了大规模航空图像目标检测技术的发展，特别是在复杂场景下的多类别目标识别。此外，EuroSAT数据集在土地覆盖分类任务中表现出色，为全球范围内的土地利用研究提供了有力支持。这些衍生工作不仅丰富了遥感领域的研究内容，还促进了相关技术的实际应用。