Awesome Satellite Imagery Datasets

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

原始信息汇总

数据集概述

1. 实例分割

• Agriculture-Vision Database & CVPR 2020 challenge

  • 数据集内容：21k 农业田地航空图像（RGB-NIR，美国，2019年季节，512x512px），6种田地异常模式标签掩码。
  • 发布时间：2020年1月

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

  • 数据集内容：48k 建筑足迹（增强的3DBAG数据集，建筑高度属性），Capella Space SAR数据（0.5m分辨率，四种极化）& Worldview-3图像（0.3m分辨率），荷兰鹿特丹。
  • 发布时间：2020年2月

• xView 2 Building Damage Asessment Challenge

  • 数据集内容：550k 建筑足迹 & 4种损坏等级，20个全球地点和7种灾难类型，Worldview-3图像（0.3m分辨率），预训练基准模型。
  • 发布时间：2019年11月

• Microsoft BuildingFootprints

  • 数据集内容：加拿大12.6mil、美国125.2mil、乌干达/坦桑尼亚17.9mil建筑足迹，GeoJSON格式，基于Bing图像使用ResNet34架构划分。
  • 发布时间：2019年3月

• Spacenet Challenge Round 4 - Off-nadir

  • 数据集内容：126k 建筑足迹（亚特兰大），27 WorldView 2图像（0.3m分辨率），从7-54度偏离天底角。
  • 发布时间：2018年12月

• Airbus Ship Detection Challenge

  • 数据集内容：131k 船只，104k训练/88k测试图像芯片，卫星图像（1.5m分辨率），栅格掩码标签以运行长度编码格式。
  • 发布时间：2018年11月

• Open AI Challenge: Tanzania

  • 数据集内容：建筑足迹 & 3种建筑条件，RGB UAV图像。
  • 发布时间：2018年11月

• Netherlands LPIS agricultural field boundaries

  • 数据集内容：294种作物/植被类别，780k地块，2009-2018年年度数据集。
  • 发布时间：不详

• Denmark LPIS agricultural field boundaries

  • 数据集内容：293种作物/植被类别，600k地块，2008-2018年年度数据集。
  • 发布时间：不详

• CrowdAI Mapping Challenge

  • 数据集内容：建筑足迹，RGB卫星图像，COCO数据格式。
  • 发布时间：2018年5月

• Spacenet Challenge Round 2 - Buildings

  • 数据集内容：685k 建筑足迹，3/8band Worldview-3图像（0.3m分辨率），5个城市。
  • 发布时间：2017年5月

• Spacenet Challenge Round 1 - Buildings

  • 数据集内容：建筑足迹（里约热内卢），3/8band Worldview-3图像（0.5m分辨率）。
  • 发布时间：2017年1月

2. 目标检测

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

  • 数据集内容：15个类别，188k实例，Google Earth图像芯片，Faster-RCNN基准模型（MXNet）。
  • 发布时间：2019年6月

• xView 2018 Detection Challenge

  • 数据集内容：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Tensorflow和Pytorch基准模型。
  • 发布时间：2018年7月

• Open AI Challenge: Aerial Imagery of South Pacific Islands

  • 数据集内容：树位置 & 4种树种，RGB UAV图像（0.4m/0.8m分辨率），多个AOI在汤加。
  • 发布时间：2018年5月

• NIST DSE Plant Identification with NEON Remote Sensing Data

  • 数据集内容：树位置，树种和冠层参数，高光谱（1m分辨率）& RGB图像（0.25m分辨率），LiDAR点云和冠层高度模型。
  • 发布时间：2017年10月

• NOAA Fisheries Steller Sea Lion Population Count

  • 数据集内容：5种海狮类别，约80k实例，约1k航空图像。
  • 发布时间：2017年6月

• Spacenet Rio De Janeiro Points of Interest Dataset

  • 数据集内容：460个类别，120k点（11k手动确认），3/8band Worldview-3图像（0.5m分辨率）。
  • 发布时间：2017年1月

• Stanford Drone Data

  • 数据集内容：60个航空UAV视频超过斯坦福校园和边界框，6个类别（行人，自行车手，滑板手，推车，汽车，公共汽车）。
  • 发布时间：2016年10月

• Cars Overhead With Context (COWC)

  • 数据集内容：32k汽车边界框，航空图像（0.15m分辨率），6个城市。
  • 发布时间：2016年9月

3. 语义分割

• 95-Cloud: A Cloud Segmentation Dataset

  • 数据集内容：34701个手动分割的384x384补丁，带有云掩码，Landsat 8图像（R,G,B,NIR; 30 m分辨率）。
  • 发布时间：2020年1月

• Open Cities AI Challenge

  • 数据集内容：790k建筑足迹来自Openstreetmap（2个标签质量类别），航空图像（0.03-0.2m分辨率，RGB，11k 1024x1024芯片，COG格式），非洲10个城市。
  • 发布时间：2020年3月

• DroneDeploy Segmentation Dataset

  • 数据集内容：无人机图像（0.1m分辨率，RGB），标签（7个土地覆盖类别：建筑，杂乱，植被，水，地面，汽车）& 高程数据，基准模型实现。
  • 发布时间：2019年12月

• SkyScapes: Urban infrastructure & lane markings

  • 数据集内容：高度准确的街道车道标记（12个类别，例如虚线，长线，斑马区）& 城市基础设施（19个类别，例如建筑，道路，植被）。航空图像（0.13 m分辨率），德国慕尼黑5.7 km²。
  • 发布时间：2019年11月

• Open AI Challenge: Caribbean

  • 数据集内容：预测提供的建筑足迹（22,553）的建筑屋顶类型（5个类别，例如混凝土，金属等），RGB UAV图像（4cm分辨率，3个加勒比国家7个区域）。
  • 发布时间：2019年12月

• Spacenet Challenge Round 5 - Road Network Extraction, Routing, Travel Time Estimation

  • 数据集内容：2300图像芯片，街道几何形状与位置，形状和估计的旅行时间，3/8band Worldview-3图像（0.3m分辨率），4个全球城市，1个保留城市用于排行榜评估。
  • 发布时间：2019年9月

• SEN12MS

  • 数据集内容：180,748个相应的图像三元组，包含Sentinel-1（VV&VH），Sentinel-2（所有波段，无云），和MODIS衍生的土地覆盖图（IGBP，LCCS，17个类别，500m分辨率）。所有数据上采样到10m分辨率，地理参考，覆盖所有大陆和气象季节。
  • 发布时间：2019年6月

• Slovenia Land Cover Classification

  • 数据集内容：10个土地覆盖类别，时间堆栈的Hyperspectral Sentinel-2图像（R,G,B,NIR,SWIR1,SWIR2; 10 m分辨率），2017年，带云掩码，官方斯洛文尼亚土地使用土地覆盖层作为地面真相。
  • 发布时间：2019年2月

• ALCD Reference Cloud Masks

  • 数据集内容：8个类别（包括云和云阴影），38个Sentinel-2场景（10 m分辨率）。手动标记 & 主动学习。
  • 发布时间：2018年10月

• Agricultural Crop Cover Classification Challenge

  • 数据集内容：2个主要类别玉米和大豆，Landsat 8图像（30m分辨率），USDA Cropland数据层作为地面真相。
  • 发布时间：2018年7月

• Spacenet Challenge Round 3 - Roads

  • 数据集内容：8000公里道路在5个城市AOI，3/8band Worldview-3图像（0.3m分辨率），SpaceNet挑战资产库。
  • 发布时间：2018年2月

• Urban 3D Challenge

  • 数据集内容：157k建筑足迹掩码，RGB正射影像（0.5m分辨率），DSM/DTM，3个城市，SpaceNet挑战资产库。
  • 发布时间：2017年12月

• DSTL Satellite Imagery Feature Detection Challenge

  • 数据集内容：10个土地覆盖类别，57个1x1km图像，3/16-band Worldview 3图像（0.3m-7.5m分辨率），Kaggle内核。
  • 发布时间：2017年2月

• SPARCS: S2 Cloud Validation data

  • 数据集内容：7个类别（云，云阴影，云阴影在水上，水等），80个1kx1k px。子集Landsat 8场景（30m分辨率）。
  • 发布时间：2016年

• Biome: L8 Cloud Cover Validation data

  • 数据集内容：4个云类别（云，薄云，云阴影，清晰），96个Landsat 8场景（30m分辨率），12个生物群系，每个生物群系8个场景。
  • 发布时间：2016年

• Inria Aerial Image Labeling

  • 数据集内容：建筑足迹掩码，RGB航空图像（0.3m分辨率），5个城市。
  • 发布时间：不详

• ISPRS Potsdam 2D Semantic Labeling Contest

  • 数据集内容：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）& DSM，38个图像补丁。
  • 发布时间：不详

4. 场景分类（芯片/图像识别）

• BigEarthNet: Large-Scale Sentinel-2 Benchmark

  • 数据集内容：基于CORINE Land Cover（CLC）2018的多个土地覆盖标签每芯片，590,326芯片来自Sentinel-2 L2A场景（125 Sentinel-2瓦片来自10个欧洲国家，2017/2018），66 GB档案。
  • 发布时间：2019年1月

• WiDS Datathon 2019 : Detection of Oil Palm Plantations

  • 数据集内容：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。
  • 发布时间：2019年1月

• So2Sat LCZ42

  • 数据集内容：本地气候区分类，17个类别（10个城市，例如紧凑高层，7个农村，例如分散树木），400k 32x32像素芯片覆盖42个城市（LCZ42数据集），Sentinel 1 & Sentinel 2（两者10m分辨率），51 GB。
  • 发布时间：2018年8月

• Cactus Aerial Photos

  • 数据集内容：17k航空照片，13k仙人掌，4k非仙人掌，Kaggle内核。
  • 发布时间：2018年6月

• Statoil/C-CORE Iceberg Classifier Challenge

  • 数据集内容：2个类别船和冰山，2波段HH/HV极化SAR图像，Kaggle内核。
  • 发布时间：2018年1月

• Functional Map of the World Challenge

  • 数据集内容：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。
  • 发布时间：2017年12月

• EuroSAT

  • 数据集内容：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。
  • 发布时间：2017年8月

• Planet: Understanding the Amazon from Space

  • 数据集内容：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，Kaggle内核。
  • 发布时间：2017年7月

• RESISC45

  • 数据集内容：45个场景类别从飞机到湿地，31,500个图像（每个类别700个，256x256 px），图像芯片从Google Earth（丰富的图像变化在分辨率，角度，地理遍布世界各地）。
  • 发布时间：2017年3月

• Deepsat: SAT-4/SAT-6 airborne datasets

  • 数据集内容：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）提取自2009年国家农业图像计划（NAIP）。
  • 发布时间：2015年

• UC Merced Land Use Dataset

  • 数据集内容：21个土地覆盖类别从农业到停车场，每个类别100个芯片，航空图像（0.30m分辨率）。
  • 发布时间：2010年10月

5. 其他焦点/多任务

• IEEE Data Fusion Contest 2020

  • 数据集内容：基于SEN12MS数据集（见类别语义分割）的土地覆盖分类，低和高分辨率轨道。
  • 发布时间：2020年3月

• IEEE Data Fusion Contest 2019

  • 数据集内容：多个轨道：语义3D重建，语义立体，3D点云分类。Worldview-3（8波段，0.35cm分辨率）卫星图像，LiDAR（0.80m脉冲间距，ASCII格式），语义标签，美国城市设置，基准方法提供。
  • 发布时间：2019年3月

• IEEE Data Fusion Contest 2018

  • 数据集内容：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）。
  • 发布时间：2018年3月

• DEEPGLOBE - 2018 Satellite Challange

  • 数据集内容：三个挑战轨道：道路提取，建筑检测，土地覆盖分类。
  • 发布时间：2018年4月

• TiSeLaC : Time Series Land Cover Classification Challenge

  • 数据集内容：土地覆盖时间序列分类（9个类别），L

搜集汇总

数据集介绍

构建方式

该数据集通过收集和整理来自不同来源的卫星图像和注释信息构建而成，涵盖了从实例分割到场景分类等多种任务类型，并针对不同应用场景进行了优化和增强。

特点

数据集特点包括：多样化的数据来源，丰富的任务类型，具有标注质量保证的图像数据，以及支持多种卫星图像处理技术的应用。

使用方法

用户可以通过访问GitHub页面获取数据集，根据README文件中的说明进行数据下载和使用。数据集支持多种机器学习和深度学习框架，可根据具体任务需求进行相应的数据处理和模型训练。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets是一个汇集了多种卫星图像数据集的列表，旨在为计算机视觉和深度学习提供丰富的数据资源。该数据集的创建时间为2020年，由UIUC、Intelinair、CVPR等机构共同维护。数据集的核心研究问题是提供高质量的卫星图像及其标注，以促进在农业、城市规划、灾害响应等多个领域的研究。该数据集对相关领域的影响力体现在其涵盖了从实例分割到场景分类等多种任务类型，为研究人员提供了丰富的实验基础。

当前挑战

在构建过程中，数据集面临的主要挑战包括：1) 数据的多样性和异质性，不同来源、不同分辨率的卫星图像需要统一格式和处理；2) 数据标注的一致性和准确性，确保不同任务类型的数据标注质量；3) 大规模数据的存储和计算挑战，尤其是在深度学习模型训练时；4) 随着卫星图像技术的不断发展，数据集需要不断更新以适应新的研究需求。

常用场景

经典使用场景

Awesome Satellite Imagery Datasets集涵盖了从实例分割到场景分类等多种卫星图像数据集，其经典使用场景主要包括农业模式分析、建筑足迹检测、道路网络提取、场景分类等。这些数据集为研究人员提供了丰富的标注数据，以便于开发和应用计算机视觉和深度学习算法于卫星图像分析。

实际应用

在实际应用中，该数据集已被用于开发能够识别农业异常、检测建筑足迹、提取道路网络和分类不同场景的算法，这些算法在城市规划、灾害响应、环境监测等领域的应用中发挥着关键作用。

衍生相关工作

基于该数据集，衍生出了一系列相关的工作，包括但不限于使用卫星图像进行农业分析、城市基础设施识别、道路网络提取和场景分类的研究。这些工作进一步扩展了数据集的应用范围，推动了卫星图像分析领域的发展。