Awesome Satellite Imagery Datasets

包含多个带注释的卫星图像数据集，用于计算机视觉和深度学习。数据集按类别（实例分割、目标检测、语义分割、场景分类、其他）排列，最新的数据集位于每个类别的顶部。

This dataset comprises multiple annotated satellite image collections, designed for applications in computer vision and deep learning. The datasets are organized by category (instance segmentation, object detection, semantic segmentation, scene classification, and others), with the most recent datasets positioned at the top of each category.

原始信息汇总

数据集概述

1. 实例分割

• RarePlanes: Synthetic Data Takes Flight

  • 数据类型：合成和真实数据
  • 数据量：630k飞机，50k图像
  • 来源：CosmiQ Works, A.I.Reverie, June 2020
  • 应用：飞机检测与属性标注

• Agriculture-Vision Database & CVPR 2020 challenge

  • 数据类型：农业模式分析
  • 数据量：21k航空农田图像
  • 来源：UIUC, Intelinair, CVPR, Jan 2020
  • 应用：农田异常模式标注

• Spacenet Challenge Round 6 - Multi-Sensor All Weather Mapping

  • 数据类型：建筑足迹和卫星图像
  • 数据量：48k建筑足迹
  • 来源：CosmiQ Works, Capella Space, Maxar, AWS, Intel, Feb 2020
  • 应用：多传感器全天候地图绘制

2. 对象检测

• DOTA: Large-scale Dataset for Object Detection in Aerial Images v1.5

  • 数据类型：航空图像对象检测
  • 数据量：188k实例
  • 来源：Wuhan University, Jun 2019
  • 应用：15类对象检测

• xView 2018 Detection Challenge

  • 数据类型：60类对象检测
  • 数据量：1 million instances
  • 来源：DIUx, Jul 2018
  • 应用：多类对象检测

3. 语义分割

• 95-Cloud: A Cloud Segmentation Dataset

  • 数据类型：云分割
  • 数据量：34701手动分割的384x384补丁
  • 来源：S. Mohajerani et. all, Jan 2020
  • 应用：云掩模标注

• Open Cities AI Challenge

  • 数据类型：建筑足迹分割
  • 数据量：790k建筑足迹
  • 来源：GFDRR, Mar 2020
  • 应用：城市建筑分割

4. 场景分类

• BigEarthNet: Large-Scale Sentinel-2 Benchmark

  • 数据类型：大规模Sentinel-2基准
  • 数据量：590,326芯片
  • 来源：TU Berlin, Jan 2019
  • 应用：多标签土地覆盖分类

• WiDS Datathon 2019 : Detection of Oil Palm Plantations

  • 数据类型：油棕种植园检测
  • 数据量：约20k 256 x 256像素芯片
  • 来源：Global WiDS Team & West Big Data Innovation Hub, Jan 2019
  • 应用：油棕种植园存在预测

5. 其他任务

• IEEE Data Fusion Contest 2020
  • 数据类型：土地覆盖分类
  • 数据量：基于SEN12MS数据集
  • 来源：IEEE & TUM, Mar 2020
  • 应用：低分辨率和高分辨率轨道土地覆盖分类

搜集汇总

数据集介绍

构建方式

Awesome Satellite Imagery Datasets 是一个涵盖多种遥感图像数据集的集合，专注于为计算机视觉和深度学习任务提供标注数据。该数据集的构建基于多个公开竞赛和学术研究项目，涵盖了实例分割、目标检测、语义分割、场景分类等多个任务。每个数据集均通过高分辨率卫星或航空影像获取，并结合人工标注或自动化工具生成相应的标签。数据来源包括Worldview-3、Sentinel-2等卫星影像，部分数据集还结合了合成数据以增强多样性。

特点

该数据集的特点在于其多样性和广泛的应用场景。数据集涵盖了从农业分析到城市建筑检测、自然灾害评估等多个领域，且每个子数据集均提供了详细的标注信息，如建筑物轮廓、道路网络、农作物类型等。此外，部分数据集还提供了多光谱、高光谱和合成孔径雷达（SAR）数据，支持多模态分析。数据集的地理覆盖范围广泛，涉及全球多个国家和地区，确保了数据的多样性和代表性。

使用方法

使用该数据集时，用户可以根据具体任务选择相应的子数据集。例如，进行建筑物检测时，可以选择Spacenet Challenge系列数据集；进行农业分析时，可以使用Agriculture-Vision Database。每个子数据集通常提供了详细的标注文件、影像数据以及相关的工具和基线模型。用户可以通过GitHub或Kaggle等平台获取数据，并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预训练模型和评估指标，便于快速上手和性能对比。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets 是一个专注于航空和卫星影像的数据集集合，旨在为计算机视觉和深度学习任务提供丰富的标注数据。该数据集由多个研究机构和公司共同维护，涵盖了实例分割、目标检测、语义分割、场景分类等多个任务。数据集中的内容从2017年开始逐步积累，最新的数据集如RarePlanes和Agriculture-Vision分别在2020年发布。这些数据集不仅推动了遥感图像分析领域的发展，还为灾害响应、农业监测、城市规划等应用提供了重要的数据支持。

当前挑战

该数据集面临的挑战主要体现在两个方面。首先，遥感图像的分析任务本身具有较高的复杂性，例如图像分辨率、光照条件、天气变化等因素都会影响模型的性能。其次，数据集的构建过程中也面临诸多挑战，如大规模数据的标注成本高昂，标注质量难以保证，尤其是在多光谱和高分辨率图像中，标注的精确性要求更高。此外，如何有效融合来自不同传感器（如SAR、光学影像）的数据，以及如何处理数据中的噪声和不平衡分布，也是构建过程中需要克服的关键问题。

常用场景

经典使用场景

在遥感图像分析领域，Awesome Satellite Imagery Datasets为计算机视觉和深度学习提供了丰富的标注数据。该数据集广泛应用于实例分割、目标检测、语义分割和场景分类等任务，尤其是在农业监测、城市规划、灾害评估等领域。例如，RarePlanes数据集通过合成和真实卫星图像，为飞机检测和属性分析提供了大量标注数据，推动了航空目标识别技术的发展。

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。例如，Agriculture-Vision数据集通过提供农田异常模式的标注，帮助研究人员开发高效的农业监测算法，提升了农作物病害检测的准确性。此外，Spacenet Challenge Round 6通过多传感器数据融合，解决了全天候建筑测绘的难题，为城市规划和灾害响应提供了重要支持。

衍生相关工作

该数据集衍生了许多经典的研究工作。例如，基于RarePlanes数据集的研究提出了合成数据在航空目标检测中的应用方法，显著提升了模型的泛化能力。此外，Spacenet Challenge系列数据集推动了多传感器数据融合技术的发展，相关研究成果在遥感图像分析和地理信息系统领域得到了广泛应用。