Awesome Satellite Imagery Datasets

github2021-10-06 更新2024-05-31 收录

下载链接：

https://github.com/Geoyi/awesome-satellite-imagery-datasets

下载链接

链接失效反馈

官方服务：

资源简介：

包含多个卫星图像数据集，用于计算机视觉和深度学习，每个数据集都有详细的描述和用途。

This dataset comprises multiple satellite imagery collections, specifically curated for applications in computer vision and deep learning. Each dataset is accompanied by comprehensive descriptions and intended use cases.

创建时间：

2018-11-10

原始信息汇总

数据集概述

实例分割

Spacenet Challenge Round 4 - Off-nadir
提供126k建筑轮廓（亚特兰大），27张WorldView 2图像（0.3m分辨率），角度从7-54度偏离正视。
Airbus Ship Detection Challenge
包含131k船舶，训练集104k/测试集88k图像片，卫星图像（1.5m分辨率），标签为运行长度编码格式。
Open AI Challenge: Tanzania
提供建筑轮廓及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
提供建筑轮廓，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
提供建筑轮廓（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类目标，188k实例，Google Earth图像片，Faster-RCNN基准模型。
xView 2018 Detection Challenge
包含60类目标，1百万实例，Worldview-3图像（0.3m分辨率），COCO数据格式。
Open AI Challenge: Aerial Imagery of South Pacific Islands
提供树位置及4种树种，RGB无人机图像（0.4m/0.8m分辨率）。
NIST DSE Plant Identification with NEON Remote Sensing Data
提供树位置，树种及冠层参数，高光谱（1m分辨率）与RGB图像（0.25m分辨率）。
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类目标，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）。
Spacenet Challenge Round 3 - Roads
包含8000公里道路，5个城市区域，3/8波段Worldview-3图像（0.3m分辨率）。
Urban 3D Challenge
包含157k建筑轮廓，RGB正射影像（0.5m分辨率），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
语义分割（建筑物），RGB空中图像（0.3m分辨率），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）。

芯片分类（图像识别）

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类目标，1百万芯片，4/8波段卫星图像（0.3m分辨率），COCO数据格式。
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）。
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）。
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/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，通过融合三种数据源：多光谱激光雷达、高光谱（1m）、RGB图像（0.05m分辨率）。
TiSeLaC : Time Series Land Cover Classification Challenge
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）。
Multi-View Stereo 3D Mapping Challenge
开发多视图立体（MVS）3D映射算法，转换高分辨率Worldview-3卫星图像为3D点云。
Draper Satellite Image Chronology
预测同一地点拍摄的图像在5天内的顺序。

搜集汇总

数据集介绍

构建方式

Awesome Satellite Imagery Datasets 数据集的构建基于多源遥感影像数据，涵盖了从高分辨率卫星图像到无人机拍摄的RGB影像等多种类型。数据集的标注工作由多个国际组织和研究机构共同完成，涵盖了建筑物、道路、植被、船只等多种地物的实例分割、目标检测和语义分割任务。数据集的构建过程中，采用了双三次插值、栅格掩码标签、COCO数据格式等技术手段，确保了数据的多样性和标注的精确性。

使用方法

使用 Awesome Satellite Imagery Datasets 数据集时，研究人员可以根据具体任务选择相应的子数据集进行下载和应用。数据集提供了多种格式的标注文件，如COCO格式、栅格掩码和点云数据，便于直接用于深度学习模型的训练。此外，数据集还提供了基线模型和开发工具包，用户可以通过这些工具快速搭建和评估自己的模型。对于需要特定任务的研究，用户还可以参考数据集提供的挑战赛链接，获取更多的技术细节和解决方案。

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，包括CosmiQ Works、DigitalGlobe、Airbus、Wuhan University等，最早的数据集可追溯至2010年。这些数据集广泛应用于城市规划、农业监测、灾害响应等领域，极大地推动了遥感影像分析与深度学习技术的结合。通过提供高分辨率的卫星影像和详细的标注信息，该数据集为研究人员提供了丰富的实验材料，促进了遥感影像处理算法的创新与优化。

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对算法的鲁棒性提出了更高要求。例如，影像的分辨率、光照条件、拍摄角度等因素可能导致模型性能的显著波动。其次，数据集的构建过程中，标注工作的高成本和复杂性是一个主要瓶颈。由于遥感影像通常覆盖大面积区域，且包含大量细节信息，人工标注需要耗费大量时间和资源。此外，数据集的更新与维护也面临挑战，因为遥感影像的获取成本较高，且需要定期更新以反映地表变化。这些挑战共同制约了遥感影像分析技术的进一步发展与应用。

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、语义分割和图像分类等任务中。例如，Spacenet Challenge 系列数据集被用于建筑物和道路的精确分割，而DOTA数据集则被用于航空图像中的目标检测。这些数据集通过提供高分辨率的卫星图像和详细的标注信息，极大地推动了遥感图像分析技术的发展。

解决学术问题

该数据集解决了遥感图像分析中的多个关键学术问题，如高分辨率图像中的目标识别、复杂场景下的语义分割以及多类别分类问题。通过提供丰富的标注数据和多样化的图像来源，研究者能够开发出更加精确和鲁棒的算法，从而提升遥感图像分析的准确性和效率。此外，这些数据集还为跨领域研究提供了宝贵的数据资源，促进了计算机视觉与地理信息系统（GIS）的深度融合。

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、灾害监测、农业管理和环境保护等领域。例如，Spacenet Challenge 数据集中的建筑物分割数据可用于城市扩张监测，而农业地块边界数据集则有助于精准农业的实施。此外，这些数据集还被用于自然灾害后的快速响应，如通过分析卫星图像评估灾后建筑物的损毁情况，从而为救援工作提供数据支持。

数据集最近研究