Awesome Satellite Imagery Datasets

包含用于计算机视觉和深度学习的航空和卫星图像数据集列表，每个类别（实例分割、目标检测、语义分割、芯片分类、其他）的最新数据集位于顶部。A list of aerial and satellite image datasets for computer vision and deep learning, with the latest datasets in each category (instance segmentation, object detection, semantic segmentation, chip classification, others) 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
  提供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
  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。

• 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个类别，188k实例，Google Earth图像块，Faster-RCNN基准模型（MXNet）。

• xView 2018 Detection Challenge
  包含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
  提供树位置及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
  提供树位置，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
  包含5个海狮类别，约80k实例，约1k空中图像。

• Spacenet Rio De Janeiro Points of Interest Dataset
  包含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)
  包含32k汽车边界框，航空图像（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
  提供建筑轮廓掩码，RGB航空图像（0.3m分辨率），覆盖5个城市。

• ISPRS Potsdam 2D Semantic Labeling Contest
  包含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）和DSM。

芯片分类（图像识别）

• Alibaba Cloud German AI Challenge 2019
  包含17个类别，400k 32x32像素芯片，覆盖42个城市，Sentinel 2和Sentinel 1（均为10m分辨率）。

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

• Functional Map of the World Challenge
  包含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
  包含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。

• Planet: Understanding the Amazon from Space
  包含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
  包含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
  包含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
  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
  包含9个土地覆盖类别的时间序列分类，Landsat-8（23个图像时间序列，10个波段特征，30m分辨率），留尼汪岛。

• Multi-View Stereo 3D Mapping Challenge
  开发一个多视图立体（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 LiDAR地面实况数据。

• Draper Satellite Image Chronology
  预测在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个公开的卫星图像竞赛和挑战，涵盖了实例分割、目标检测、语义分割、图像分类等多个计算机视觉任务。数据集来源包括Spacenet、Airbus、CrowdAI等知名机构，通过高分辨率的卫星图像和无人机图像，结合人工标注或自动生成的标签，构建了丰富的标注数据。数据集的构建过程中，采用了多种图像处理技术，如双三次插值、栅格掩码编码等，以确保数据的质量和一致性。

特点

该数据集的特点在于其多样性和广泛的应用场景。数据集涵盖了从建筑物、道路到农作物、海洋生物等多种目标类别，且图像分辨率从0.05米到30米不等，适用于不同精度的研究需求。数据集中的标注形式多样，包括建筑物轮廓、目标边界框、语义分割掩码等，且部分数据集提供了预训练的深度学习模型和开发工具包，便于研究人员快速上手。此外，数据集还包含了时间序列数据和多源数据融合的案例，为复杂场景下的研究提供了支持。

使用方法

使用Awesome Satellite Imagery Datasets时，研究人员可以根据具体任务选择相应的数据集。例如，实例分割任务可以选择Spacenet Challenge Round 4 - Off-nadir数据集，目标检测任务可以使用DOTA或xView数据集。数据集通常以图像芯片的形式提供，并附带相应的标注文件，研究人员可以使用常见的深度学习框架（如TensorFlow、PyTorch）进行模型训练和评估。部分数据集还提供了Kaggle内核或COCO格式的标注，便于与其他数据集进行对比实验。此外，数据集的使用通常需要遵守相应的许可协议，尤其是涉及商业用途时需特别注意。

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。主要贡献者包括CosmiQ Works、DigitalGlobe、Airbus、Wuhan University等知名机构。这些数据集通过提供高分辨率的卫星影像和详细的标注信息，推动了遥感图像分析、城市规划、农业监测等领域的研究与应用。特别是Spacenet系列挑战赛，通过提供多城市、多角度的建筑和道路标注数据，显著提升了遥感图像解析的精度与效率。

当前挑战

Awesome Satellite Imagery Datasets 面临的挑战主要体现在两个方面。其一，遥感图像解析任务本身具有较高的复杂性，例如目标检测任务中，由于卫星影像的分辨率和视角变化，目标物体的形状、大小和背景环境差异显著，导致模型泛化能力受限。其二，数据集的构建过程中，标注工作耗时且成本高昂，尤其是大规模、高精度的标注需求，如Spacenet Challenge中的建筑轮廓标注，需要大量人工干预。此外，数据集的多样性和覆盖范围仍需扩展，以应对不同地理环境和应用场景的需求。这些挑战不仅影响了模型的训练效果，也限制了数据集在实际应用中的广泛推广。

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等领域的研究。

实际应用

在实际应用中，Awesome Satellite Imagery Datasets被广泛用于农业监测、城市规划、环境保护和灾害管理等领域。例如，Netherlands LPIS和Denmark LPIS数据集为农业部门提供了详细的作物分类信息，帮助优化农田管理和资源分配。

衍生相关工作

基于该数据集，许多经典研究工作得以展开。例如，DOTA数据集推动了航空影像目标检测技术的发展，而xView 2018 Detection Challenge则促进了多类别目标检测模型的优化。此外，Spacenet Challenge系列数据集催生了许多关于建筑和道路提取的创新算法。