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。数据集涵盖实例分割、目标检测、语义分割、芯片分类等多个类别，每个数据集都有详细的描述和来源。

This dataset comprises multiple annotated satellite imagery collections, designed for applications in computer vision and deep learning. It encompasses a variety of categories including instance segmentation, object detection, semantic segmentation, and chip classification. Each dataset is accompanied by comprehensive descriptions and sources.

原始信息汇总

数据集概述

实例分割（Instance Segmentation）

• CanadianBuildingFootprints (Microsoft, Mar 2019)
  包含12.6百万建筑足迹（覆盖加拿大全境），格式为GeoJSON，基于Bing图像使用ResNet34架构进行划分。

• Spacenet Challenge Round 4 - Off-nadir (CosmiQ Works, DigitalGlobe, Radiant Solutions, AWS, Dec 2018)
  包含126k建筑足迹（亚特兰大），27张WorldView 2图像（0.3m分辨率），从7-54度偏离天底角拍摄。

• Airbus Ship Detection Challenge (Airbus, Nov 2018)
  包含131k船只，104k训练/88k测试图像芯片，卫星图像（1.5m分辨率），标签为运行长度编码格式。

• Open AI Challenge: Tanzania (WeRobotics & Worldbank, Nov 2018)
  包含建筑足迹及3种建筑条件，RGB无人机图像。

• Netherlands LPIS agricultural field boundaries (Netherlands Department for Economic Affairs)
  包含294种作物/植被类别，780k地块，2009-2018年每年数据集。

• Denmark LPIS agricultural field boundaries (Denmark Department for Agriculture)
  包含293种作物/植被类别，600k地块，2008-2018年每年数据集。

• CrowdAI Mapping Challenge (Humanity & Inclusion NGO, May 2018)
  包含建筑足迹，RGB卫星图像，COCO数据格式。

• Spacenet Challenge Round 2 - Buildings (CosmiQ Works, Radiant Solutions, NVIDIA, May 2017)
  包含685k建筑足迹，3/8波段Worldview-3图像（0.3m分辨率），5个城市。

• Spacenet Challenge Round 1 - Buildings (CosmiQ Works, Radiant Solutions, NVIDIA, Jan 2017)
  包含建筑足迹（里约热内卢），3/8波段Worldview-3图像（0.5m分辨率）。

目标检测（Object Detection）

• DOTA: Large-scale Dataset for Object Detection in Aerial Images (Wuhan University et al.)
  包含15类目标（如飞机至桥梁），188k实例，Google Earth图像芯片，Faster-RCNN基准模型（MXNet）。

• xView 2018 Detection Challenge (DIUx, Jul 2018)
  包含60类目标（如直升机至体育场），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 (WeRobotics & Worldbank, May 2018)
  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 (inria.fr, Oct 2017)
  包含树位置、树种及冠层参数，高光谱（1m分辨率）与RGB图像（0.25m分辨率），LiDAR点云和冠层高度模型。

• NOAA Fisheries Steller Sea Lion Population Count (NOAA, Jun 2017)
  包含5类海狮，约80k实例，约1k空中图像。

• Spacenet Rio De Janeiro Points of Interest Dataset (CosmiQ Works, Radiant Solutions, Jan 2017)
  包含460类目标（如机场至网吧），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) (Lawrence Livermore National Laboratory)
  包含32k车辆边界框，空中图像（0.15m分辨率），6个城市。

语义分割（Semantic Segmentation）

• Land Cover Classification (Sinergise, Feb 2019)
  包含10类土地覆盖，时间堆栈高光谱Sentinel-2图像（R,G,B,NIR,SWIR1,SWIR2; 10m分辨率），2017年数据，官方斯洛文尼亚土地使用土地覆盖层作为地面实况。

• 38-Cloud: A Cloud Segmentation Dataset (S. Mohajerani et. all)
  包含17600手动分割的384x384补丁，带有云掩码，Landsat 8图像（R,G,B,NIR; 30m分辨率）。

• Agricultural Crop Cover Classification Challenge (CrowdANALYTIX, Jul 2018)
  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 (CosmiQ Works, Radiant Solutions, Feb 2018)
  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 (USSOCOM, Dec 2017)
  包含157k建筑足迹掩码，RGB正射影像（0.5m分辨率），DSM/DTM，3个城市。

• DSTL Satellite Imagery Feature Detection Challenge (Dstl, Feb 2017)
  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 (inria)
  包含建筑足迹掩码，RGB空中图像（0.3m分辨率），5个城市。

• ISPRS Potsdam 2D Semantic Labeling Contest (ISPRS)
  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张图像补丁。

芯片分类（Image Recognition）

• BigEarthNet: Large-Scale Sentinel-2 Benchmark (TU Berlin, Jan 2019)
  基于CORINE土地覆盖（CLC）2018的多标签土地覆盖，590,326芯片来自Sentinel-2 L2A场景（125个Sentinel-2瓦片，10个欧洲国家，2017/2018），66 GB档案。

• WiDS Datathon 2019 : Detection of Oil Palm Plantations (Global WiDS Team & West Big Data Innovation Hub, Jan 2019)
  预测油棕种植园的存在，Planet卫星图像（3m分辨率），约20k 256 x 256像素芯片，2个类别油棕和其他，注释者置信度得分。

• So2Sat LCZ42 (TUM Munich & DLR, Aug 2018)
  本地气候区分类，17个类别（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（LCZ42数据集），Sentinel 1 & Sentinel 2（均为10m分辨率），51 GB。

• Statoil/C-CORE Iceberg Classifier Challenge (Statoil/C-CORE, Jan 2018)
  2个类别船和冰山，2波段HH/HV极化SAR图像。

• Functional Map of the World Challenge (IARPA, Dec 2017)
  63个类别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 (DFK, Aug 2017)
  10个土地覆盖类别从工业到永久作物，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 (Planet, Jul 2017)
  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 (Louisiana State University, 2015)
  6个土地覆盖类别，400k 28x28像素芯片，4波段RGBNIR空中图像（1m分辨率），从2009年国家农业图像计划（NAIP）提取。

• UC Merced Land Use Dataset (UC Merced, Oct 2010)
  21个土地覆盖类别从农业到停车场，每类100芯片，空中图像（0.30m分辨率）。

其他/多任务

• DEEPGLOBE - 2018 Satellite Challange (CVPR, Apr 2018)
  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 (IEEE, -Mar 2018)
  通过融合三个数据源的20个土地覆盖类别：多光谱LiDAR、高光谱（1m）、RGB图像（0.05m分辨率）。

• TiSeLaC : Time Series Land Cover Classification Challenge (UMR TETIS, Jul 2017)
  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 (IARPA, Nov 2016)
  开发一个多视图立体（MVS）3D映射算法，可将高分辨率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 (Draper, Jun 2016)
  预测在同一地点拍摄的图像的年代顺序，Kaggle内核。

搜集汇总

数据集介绍

构建方式

本数据集通过搜集和整合来自不同来源的卫星图像及其注释信息构建而成。数据集涵盖了从建筑物足迹、物体检测、语义分割到图像分类等多个计算机视觉任务所需的数据。构建过程中，采用了如ResNet34等深度学习架构对图像进行标注，并使用了不同的卫星和航空影像资源，包括WorldView、Sentinel、Google Earth等，确保了数据集的多样性和丰富性。

使用方法

使用本数据集时，用户可根据具体任务需求选择相应的数据子集。数据集以不同的格式提供，如GeoJSON、COCO数据格式、栅格掩膜标签等，方便用户直接应用于模型训练和评估。用户可以通过数据集提供的链接下载所需数据，并根据相应的数据格式说明进行使用。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets 是一份详尽的卫星图像数据集清单，旨在为计算机视觉和深度学习提供带注释的航空和卫星图像数据。该数据集清单由多个机构和研究人员创建，最早可追溯至2010年。这些数据集主要来源于Microsoft、CosmiQ Works、DigitalGlobe、Radiant Solutions、AWS、Airbus等机构，涵盖了从建筑物轮廓、物体检测、语义分割到图像识别等多个领域。该数据集对卫星图像处理领域的研究具有重要的参考价值，推动了相关技术的发展和应用。

当前挑战

在研究过程中，该数据集面临的主要挑战包括：1) 数据集构建过程中的标注准确性，确保图像注释与实际地理信息相吻合；2) 多样化任务带来的挑战，如不同类型的图像分割、物体检测和图像识别任务需要不同的处理方法和模型；3) 卫星图像的分辨率和质量问题，特别是在处理高角度偏离的图像时，需要特殊的技术手段来处理图像的分辨率下降问题；4) 大规模数据集的处理和计算资源需求，这对研究者的计算能力和存储能力提出了较高要求。

常用场景

经典使用场景

在卫星图像处理与计算机视觉领域，Awesome Satellite Imagery Datasets数据集的典型应用场景包括对建筑物、道路、船只等多种目标的检测与分割。通过对卫星图像进行深度学习模型的训练，研究人员能够准确识别出各类地理信息，进而为城市规划、灾害评估、环境监测等提供精确数据支持。

解决学术问题

该数据集解决了学术研究中卫星图像解析的标注不精确、数据量不足、场景单一等问题。通过提供大规模、多样化的标注卫星图像数据，它促进了深度学习模型在卫星图像处理任务中的应用，提高了模型对于复杂场景的适应能力和泛化能力。

实际应用

在实际应用中，该数据集可用于农业监测、城市规划、灾害响应、环境保护等多个领域。例如，通过识别农田边界和作物类型，有助于优化农业管理；通过监测城市建筑和道路，有助于城市规划与交通管理；通过评估灾害影响范围，有助于及时响应和救援。

数据集最近研究

最新研究方向

卫星图像数据集在计算机视觉和深度学习领域中的应用研究不断深入，尤其是实例分割、目标检测、语义分割、图像块分类等多个方向。例如，CanadianBuildingFootprints数据集的发布，为加拿大全国的建筑足迹提供了详尽的地理信息，促进了基于卫星图像的地物识别研究。同时，Spacenet Challenge系列竞赛推动了从建筑物识别到道路提取等不同任务的算法发展。此外，诸如BigEarthNet等数据集的出现，为大规模的卫星图像土地覆盖分类提供了基准，使得卫星图像在环境监测、资源管理等领域的研究更加精细化和实用化。这些研究不仅提升了卫星图像处理的精度和效率，也为相关领域的政策制定和决策提供了科学依据。