Awesome Satellite Imagery Datasets

包含多个带有注释的卫星和航空图像数据集，用于计算机视觉和深度学习。每个类别（实例分割、对象检测、语义分割、芯片分类、其他）的最新数据集位于顶部。

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

原始信息汇总

数据集概述

实例分割

• Spacenet Challenge Round 4 - Off-nadir
  数据集包含126k建筑轮廓（亚特兰大），27张WorldView 2图像（0.3m分辨率），拍摄角度为7-54度偏离天底。

• Airbus Ship Detection Challenge
  包含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
  包含建筑轮廓及3种建筑条件，RGB无人机图像。

• Netherlands LPIS agricultural field boundaries
  包含294种作物/植被类别，780k地块，年度数据集覆盖2009-2018年。

• Denmark LPIS agricultural field boundaries
  包含293种作物/植被类别，600k地块，年度数据集覆盖2008-2018年。

• CrowdAI Mapping Challenge
  包含建筑轮廓，RGB卫星图像，COCO数据格式。

• Spacenet Challenge Round 2 - Buildings
  包含685k建筑轮廓，3/8波段Worldview-3图像（0.3m分辨率），覆盖5个城市。

• Spacenet Challenge Round 1 - Buildings
  包含建筑轮廓（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
  包含15类对象，188k实例，Google Earth图像片，Faster-RCNN基准模型（MXNet）。

• xView 2018 Detection Challenge
  包含60类对象，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
  包含树位置及4种树种，RGB无人机图像（0.4m/0.8m分辨率），多个AOI在汤加。

• NIST DSE Plant Identification with NEON Remote Sensing Data
  包含树位置，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
  包含5类海狮，约80k实例，约1k空中图像。

• Spacenet Rio De Janeiro Points of Interest Dataset
  包含460类兴趣点，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)
  包含32k车辆边界框，空中图像（0.15m分辨率），覆盖6个城市。

语义分割

• Agricultural Crop Cover Classification Challenge
  包含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
  包含8000公里道路，5个城市AOI，3/8波段Worldview-3图像（0.3m分辨率）。

• Urban 3D Challenge
  包含157k建筑轮廓掩码，RGB正射影像（0.5m分辨率），DSM/DTM，覆盖3个城市。

• DSTL Satellite Imagery Feature Detection Challenge
  包含10类土地覆盖，57张1x1km图像，3/16波段Worldview 3图像（0.3m-7.5m分辨率）。

• Inria Aerial Image Labeling
  包含建筑轮廓掩码，RGB空中图像（0.3m分辨率），覆盖5个城市。

• ISPRS Potsdam 2D Semantic Labeling Contest
  包含6类城市土地覆盖，栅格掩码标签，4波段RGB-IR空中图像（0.05m分辨率）& DSM，38个图像补丁。

芯片分类（图像识别）

• Alibaba Cloud German AI Challenge 2019
  包含本地气候区分类，17类（10个城市，如紧凑高层，7个农村，如分散树木），400k 32x32像素芯片覆盖42个城市，Sentinel 2 & Sentinel 1（均为10m分辨率）。

• Statoil/C-CORE Iceberg Classifier Challenge
  包含2类船只和冰山，2波段HH/HV极化SAR图像。

• Functional Map of the World Challenge
  包含63类从太阳能农场到购物中心，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
  包含10类土地覆盖，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
  包含13类土地覆盖+4类云条件，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
  包含6类土地覆盖，400k 28x28像素芯片，4波段RGBNIR空中图像（1m分辨率），提取自2009年国家农业图像计划（NAIP）。

• UC Merced Land Use Dataset
  包含21类土地覆盖，每类100芯片，空中图像（0.30m分辨率）。

其他焦点/多任务

• DEEPGLOBE - 2018 Satellite Challange
  包含三个挑战赛道：道路提取，建筑检测，土地覆盖分类。

• IEEE Data Fusion Contest 2018
  包含20类土地覆盖，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
  包含土地覆盖时间序列分类（9类），Landsat-8（23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
  开发一个多视点立体（MVS）3D映射算法，能够将高分辨率Worldview-3卫星图像转换为3D点云，0.2m激光雷达地面实况数据。

• Draper Satellite Image Chronology
  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 是一个涵盖多种卫星和航空影像数据集的集合，专为计算机视觉和深度学习任务设计。该数据集通过整合来自不同机构和挑战赛的公开数据，涵盖了实例分割、目标检测、语义分割、图像分类等多个任务。每个数据集均经过精心筛选和标注，确保数据的多样性和高质量。数据来源包括高分辨率卫星影像、无人机影像以及多光谱和超光谱数据，涵盖了从建筑物、道路到植被、海洋生物等多种场景。

特点

该数据集的特点在于其广泛的应用场景和丰富的数据类型。数据集不仅包含高分辨率的卫星影像，还提供了多种标注格式，如COCO数据格式、栅格掩码标签等，便于不同任务的使用。此外，数据集涵盖了全球多个地区的影像数据，包括城市、农田、森林和海洋等多样化的地理环境。每个数据集都经过严格的预处理和标注，确保了数据的准确性和一致性，为研究者提供了强大的数据支持。

使用方法

使用 Awesome Satellite Imagery Datasets 时，研究者可以根据具体任务选择相应的数据集。例如，实例分割任务可以使用 Spacenet Challenge 数据集，目标检测任务可以选择 DOTA 或 xView 数据集。每个数据集通常附带详细的文档和基线模型，便于快速上手。数据集的下载和使用通常通过公开的链接或平台（如Kaggle）进行，部分数据集还提供了预训练的深度学习模型和开发工具包，帮助研究者加速模型训练和验证过程。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets 是一个专注于计算机视觉和深度学习的卫星与航空影像数据集集合，涵盖了实例分割、目标检测、语义分割、图像分类等多个任务。该数据集由多个研究机构和企业共同创建，最早的数据集可追溯至2010年，如UC Merced Land Use Dataset。近年来，随着遥感技术的快速发展，数据集的数量和规模显著增加，如Spacenet系列挑战赛和xView 2018 Detection Challenge等。这些数据集不仅推动了遥感图像分析技术的发展，还在城市规划、农业监测、灾害评估等领域产生了深远影响。

当前挑战

Awesome Satellite Imagery Datasets 面临的挑战主要体现在两个方面。首先，遥感图像分析领域的问题复杂多样，例如目标检测中的多尺度目标识别、语义分割中的高分辨率图像处理等，这些任务对算法的精度和效率提出了极高要求。其次，数据集的构建过程也面临诸多挑战，包括高分辨率图像的获取与标注成本高昂、数据分布不均衡、以及不同传感器数据的融合问题。此外，遥感数据的时空动态性也为数据集的更新和维护带来了额外难度。这些挑战共同推动了遥感图像分析技术的持续创新与优化。

常用场景

经典使用场景

在遥感技术和计算机视觉领域，Awesome Satellite Imagery Datasets为研究者提供了丰富的卫星和航空影像数据，广泛应用于实例分割、目标检测、语义分割等任务。例如，Spacenet Challenge系列数据集通过提供高分辨率的建筑足迹和道路网络数据，支持了城市规划和灾害响应的研究。

解决学术问题

该数据集解决了遥感影像分析中的多个关键问题，如高分辨率影像中的目标识别、复杂场景下的语义分割以及多源数据融合。通过提供标注精确的影像数据，研究者能够开发更高效的算法，提升自动化分析的准确性和鲁棒性，从而推动地理信息系统（GIS）和遥感科学的进步。

衍生相关工作

该数据集催生了许多经典的研究工作，如基于DOTA数据集的航空影像目标检测算法、基于Spacenet数据集的建筑和道路提取模型，以及基于EuroSAT数据集的土地利用分类方法。这些工作不仅推动了遥感影像分析技术的发展，还为相关领域的应用提供了强有力的技术支持。