Awesome Satellite Imagery Datasets|卫星图像数据集|计算机视觉数据集

github2019-11-25 更新2024-05-31 收录

卫星图像

计算机视觉

下载链接：

https://github.com/bhavesh907/awesome-satellite-imagery-datasets

下载链接

链接失效反馈

资源简介：

包含用于计算机视觉和深度学习的卫星图像数据集列表，每个数据集都有详细的描述，包括来源、大小、分辨率等信息。

A list of satellite image datasets for computer vision and deep learning, each with detailed descriptions including source, size, resolution, and other relevant information.

创建时间：

2018-11-06

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），从7-54度偏角拍摄，通过双三次重采样以相同像素数处理，以补偿高偏角下的原生粗糙分辨率。
Airbus Ship Detection Challenge
包含131k船只，104k训练/88k测试图像块，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，Kaggle内核可用。
Open AI Challenge: Tanzania
提供建筑轮廓及3种建筑条件，RGB无人机图像，数据链接见Google表格。
Netherlands LPIS agricultural field boundaries
294种作物/植被类别，780k地块，2009-2018年每年数据集。
Denmark LPIS agricultural field boundaries
293种作物/植被类别，600k地块，2008-2018年每年数据集。
CrowdAI Mapping Challenge
提供建筑轮廓，RGB卫星图像，COCO数据格式。
Spacenet Challenge Round 2 - Buildings
685k建筑轮廓，3/8波段Worldview-3图像（0.3m分辨率），5个城市，SpaceNet Challenge资产库。
Spacenet Challenge Round 1 - Buildings
建筑轮廓（里约热内卢），3/8波段Worldview-3图像（0.5m分辨率），SpaceNet Challenge资产库。

目标检测

DOTA: Large-scale Dataset for Object Detection in Aerial Images
15类物体，188k实例，Google Earth图像块，Faster-RCNN基准模型（MXNet），仅限学术使用。
xView 2018 Detection Challenge
60类物体，1百万实例，Worldview-3图像（0.3m分辨率），COCO数据格式，预训练Tensorflow和Pytorch基准模型。
Open AI Challenge: Aerial Imagery of South Pacific Islands
树位置及4种树种，RGB无人机图像（0.4m/0.8m分辨率），多AOI在汤加。
NIST DSE Plant Identification with NEON Remote Sensing Data
树位置，树种和冠层参数，高光谱（1m分辨率）和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
5类海狮，约80k实例，约1k空中图像，Kaggle内核。
Spacenet Rio De Janeiro Points of Interest Dataset
460类物体，120k点（11k手动确认），3/8波段Worldview-3图像（0.5m分辨率），SpaceNet Challenge资产库。
Cars Overhead With Context (COWC)
32k车辆边界框，空中图像（0.15m分辨率），6个城市。

语义分割

Agricultural Crop Cover Classification Challenge
2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
8000公里道路，5个城市AOI，3/8波段Worldview-3图像（0.3m分辨率），SpaceNet Challenge资产库。
Urban 3D Challenge
157k建筑轮廓，RGB正射影像（0.5m分辨率），DSM/DTM，3个城市，SpaceNet Challenge资产库。
DSTL Satellite Imagery Feature Detection Challenge
10土地覆盖类别，57 1x1km图像，3/16波段Worldview 3图像（0.3m-7.5m分辨率），Kaggle内核。
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
6城市土地覆盖类，栅格掩码标签，4波段RGB-IR空中图像（0.05m分辨率）和DSM，38图像块。

芯片分类（图像识别）

Statoil/C-CORE Iceberg Classifier Challenge
2类别船只和冰山，2波段HH/HV极化SAR图像，Kaggle内核。
Functional Map of the World Challenge
63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。
Planet: Understanding the Amazon from Space
13土地覆盖类别+4云条件类别，4波段（RGB-NIR）卫星图像（5m分辨率），亚马逊雨林，Kaggle内核。
Deepsat: SAT-4/SAT-6 airborne datasets
6土地覆盖类别，400k 28x28像素芯片，4波段RGBNIR空中图像（1m分辨率），编码为.mat文件。
UC Merced Land Use Dataset
21土地覆盖类别，每类100芯片，空中图像（0.30m分辨率）。

其他/多任务

DEEPGLOBE - 2018 Satellite Challange
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
20土地覆盖类别，通过融合三种数据源：多光谱LiDAR，高光谱（1m），RGB图像（0.05m分辨率）。
TiSeLaC : Time Series Land Cover Classification Challenge
土地覆盖时间序列分类（9类别），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
开发多视图立体（MVS）3D映射算法，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
预测同一地点拍摄的图像在5天内的顺序，Kaggle内核。

AI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收集和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、农作物分类、道路网络等。数据集的构建过程中，采用了多种分辨率的影像，从高分辨率的0.3米到较低分辨率的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。

使用方法

Awesome Satellite Imagery Datasets 数据集的使用方法灵活多样，适用于多种计算机视觉任务。首先，用户可以根据具体任务需求选择合适的数据集，如实例分割、目标检测或语义分割等。其次，数据集提供了详细的标注信息，用户可以直接用于模型的训练和验证。对于深度学习模型的训练，用户可以利用数据集中的高分辨率影像和多光谱数据，结合标注信息进行模型优化。此外，数据集还提供了一些基准模型和开发工具包，如DOTA开发工具包和COCO数据格式，方便用户快速上手和进行模型评估。最后，用户可以通过访问数据集的官方链接或使用提供的下载工具，获取所需的数据进行研究和开发。

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图像数据集的资源库，专门为计算机视觉和深度学习研究提供标注数据。该数据集由多个知名机构和研究人员共同创建，最早的数据集可追溯至2010年，涵盖了从建筑物检测到农业用地分类等多个领域。这些数据集的创建旨在推动卫星图像分析技术的发展，特别是在实例分割、目标检测、语义分割等任务中。通过提供高质量的标注数据，该数据集为研究人员提供了一个标准化的测试平台，促进了相关领域的技术进步和应用创新。

当前挑战

尽管Awesome Satellite Imagery Datasets 提供了丰富的数据资源，但在其构建和应用过程中仍面临诸多挑战。首先，卫星图像的高分辨率和多光谱特性使得数据处理和标注工作异常复杂，尤其是在处理不同视角和分辨率的图像时。其次，数据集的多样性和规模要求研究人员具备跨领域的知识和技能，以应对不同任务的挑战。此外，数据集的更新和维护也是一个持续的挑战，确保数据集的时效性和准确性对于保持其研究价值至关重要。

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，该数据集中的 Spacenet Challenge Round 4 - Off-nadir 数据集提供了126,000个建筑轮廓，适用于建筑物检测和实例分割任务。此外，Airbus Ship Detection Challenge 数据集包含了131,000艘船只的标注，非常适合用于船只检测和分割任务。

解决学术问题

该数据集解决了卫星和航空影像分析中的多个关键学术问题，如建筑物和船只的自动检测与分割、农业用地的分类、以及道路网络的提取等。这些问题的解决不仅推动了计算机视觉技术的发展，还为遥感领域的研究提供了丰富的实验数据，促进了算法在实际应用中的性能提升。

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，通过分析农业用地数据，可以实现精准农业管理；通过检测建筑物和道路，可以支持城市基础设施的规划和维护；在灾害发生后，快速分析卫星影像有助于评估损失和制定救援策略。

数据集最近研究