awesome-satellite-imagery-datasets

包含多个卫星图像训练数据集，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 comprises multiple satellite image training datasets designed for computer vision and deep learning applications. Each dataset is accompanied by detailed descriptions and specific use cases.

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：合成数据（630k飞机，50k图像）和真实数据（14.7k飞机，253 Worldview-3图像（0.3m分辨率），122地点，22国家）
  • 应用：飞机注释和属性及卫星图像
  • 相关工具：RarePlanes工具
  • 论文：Shermeyer et al. 2020

• Agriculture-Vision Database & CVPR 2020 challenge

  • 数据类型：21k航空农田图像（RGB-NIR，美国，2019季节，512x512px芯片）
  • 应用：6种田间异常模式（云影，双植，播种跳过，积水，水道和杂草簇）的标签掩码
  • 论文：Chiu et al. 2020

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

  • 数据类型：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）和Worldview-3图像（0.3m分辨率）
  • 应用：荷兰鹿特丹

• xView 2 Building Damage Asessment Challenge

  • 数据类型：550k建筑足迹和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）
  • 应用：建筑损坏评估
  • 论文：Gupta et al. 2019

• Microsoft BuildingFootprints

  • 数据类型：12.6mil（加拿大），125.2mil（美国）和17.9mil（乌干达/坦桑尼亚）建筑足迹，GeoJSON格式
  • 应用：基于Bing图像使用ResNet34架构的划界

• Spacenet Challenge Round 4 - Off-nadir

  • 数据类型：126k建筑足迹（亚特兰大），27 WorldView 2图像（0.3m分辨率），7-54度偏离天底角
  • 应用：建筑足迹识别
  • 论文：Weir et al. 2019

• Airbus Ship Detection Challenge

  • 数据类型：131k船只，104k训练/88k测试图像芯片，卫星图像（1.5m分辨率）
  • 应用：船只检测

• Open AI Challenge: Tanzania

  • 数据类型：建筑足迹和3种建筑条件，RGB UAV图像
  • 应用：建筑足迹识别

• Netherlands LPIS agricultural field boundaries

  • 数据类型：294作物/植被类别，780k地块，2009-2018年年度数据集
  • 应用：农业地块边界

• Denmark LPIS agricultural field boundaries

  • 数据类型：293作物/植被类别，600k地块，2008-2018年年度数据集
  • 应用：农业地块边界

• CrowdAI Mapping Challenge

  • 数据类型：建筑足迹，RGB卫星图像，COCO数据格式
  • 应用：建筑足迹识别

• Spacenet Challenge Round 2 - Buildings

  • 数据类型：685k建筑足迹，3/8band Worldview-3图像（0.3m分辨率），5个城市
  • 应用：建筑足迹识别

• Spacenet Challenge Round 1 - Buildings

  • 数据类型：建筑足迹（里约热内卢），3/8band Worldview-3图像（0.5m分辨率）
  • 应用：建筑足迹识别

2. 对象检测

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

  • 数据类型：15类别，188k实例，Google Earth图像芯片
  • 应用：航空图像中的对象检测
  • 论文：Xia et al. 2018

• xView 2018 Detection Challenge

  • 数据类型：60类别，1百万实例，Worldview-3图像（0.3m分辨率）
  • 应用：对象检测
  • 论文：Lam et al. 2018

• Open AI Challenge: Aerial Imagery of South Pacific Islands

  • 数据类型：树位置和4种树种，RGB UAV图像（0.4m/0.8m分辨率）
  • 应用：树种识别

• NIST DSE Plant Identification with NEON Remote Sensing Data

  • 数据类型：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）
  • 应用：植物识别

• NOAA Fisheries Steller Sea Lion Population Count

  • 数据类型：5种海狮类别，约80k实例，约1k航空图像
  • 应用：海狮种群计数

• Spacenet Rio De Janeiro Points of Interest Dataset

  • 数据类型：460类别，120k点（11k手动确认），3/8band Worldview-3图像（0.5m分辨率）
  • 应用：兴趣点识别

• Stanford Drone Data

  • 数据类型：60航空UAV视频，6类（行人，自行车手，滑板手，推车，汽车，公共汽车）
  • 应用：对象检测
  • 论文：Robicquet et al. 2016

• Cars Overhead With Context (COWC)

  • 数据类型：32k汽车边界框，航空图像（0.15m分辨率）
  • 应用：汽车检测
  • 论文：Mundhenk et al. 2016

3. 语义分割

• 95-Cloud: A Cloud Segmentation Dataset

  • 数据类型：34701手动分割的384x384补丁，云掩码，Landsat 8图像（R,G,B,NIR; 30m分辨率）
  • 应用：云分割
  • 论文：Mohajerani et al. 2019

• Open Cities AI Challenge

  • 数据类型：790k建筑足迹，航空图像（0.03-0.2m分辨率，RGB，11k 1024x1024芯片，COG格式）
  • 应用：建筑足迹识别

• DroneDeploy Segmentation Dataset

  • 数据类型：无人机图像（0.1m分辨率，RGB），标签（7土地覆盖类别：建筑，杂乱，植被，水，地面，汽车）和海拔数据
  • 应用：土地覆盖分类

• SkyScapes: Urban infrastructure & lane markings

  • 数据类型：高度精确的街道车道标记（12类别）和城市基础设施（19类别），航空图像（0.13m分辨率）
  • 应用：城市基础设施和车道标记识别
  • 论文：Azimi et al. 2019

• Open AI Challenge: Caribbean

  • 数据类型：预测建筑屋顶类型（5类别），RGB UAV图像（4cm分辨率）
  • 应用：建筑屋顶类型识别

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

  • 数据类型：2300图像芯片，街道几何与位置，形状和估计旅行时间，3/8band Worldview-3图像（0.3m分辨率）
  • 应用：道路网络提取，路由，旅行时间估计

• SEN12MS

  • 数据类型：180,748对应图像三元组，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类别，500m分辨率）
  • 应用：土地覆盖分类
  • 论文：Schmitt et al. 2018

• Slovenia Land Cover Classification

  • 数据类型：10土地覆盖类别，时间堆栈的超级光谱Sentinel-2图像（R,G,B,NIR,SWIR1,SWIR2; 10m分辨率）
  • 应用：土地覆盖分类

• ALCD Reference Cloud Masks

  • 数据类型：8类别（包括云和云影），38 Sentinel-2场景（10m分辨率）
  • 应用：云掩码
  • 论文：Baetens et al. 2019

• Agricultural Crop Cover Classification Challenge

  • 数据类型：2主要类别玉米和大豆，Landsat 8图像（30m分辨率）
  • 应用：农作物覆盖分类

• Spacenet Challenge Round 3 - Roads

  • 数据类型：8000公里道路，5城市aois，3/8band Worldview-3图像（0.3m分辨率）
  • 应用：道路识别
  • 论文：Van Etten et al. 2018

• Urban 3D Challenge

  • 数据类型：157k建筑足迹掩码，RGB正射影像（0.5m分辨率），DSM/DTM
  • 应用：城市3D识别

• DSTL Satellite Imagery Feature Detection Challenge

  • 数据类型：10土地覆盖类别，57 1x1km图像，3/16-band Worldview 3图像（0.3m-7.5m分辨率）
  • 应用：特征检测

• SPARCS: S2 Cloud Validation data

  • 数据类型：7类别（云，云影，云影在水上，水等），80 1kx1k px.子集Landsat 8场景（30m分辨率）
  • 应用：云验证
  • 论文：Hughes, J.M. & Hayes D.J. 2014

• Biome: L8 Cloud Cover Validation data

  • 数据类型：4云类别（云，薄云，云影，清晰），96 Landsat 8场景（30m分辨率）
  • 应用：云覆盖验证
  • 论文：Foga et al. 2017

• Inria Aerial Image Labeling

  • 数据类型：建筑足迹掩码，RGB航空图像（0.3m分辨率）
  • 应用：建筑足迹识别

• ISPRS Potsdam 2D Semantic Labeling Contest

  • 数据类型：6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
  • 应用：语义标记

4. 场景分类（芯片/图像识别）

• BigEarthNet: Large-Scale Sentinel-2 Benchmark

  • 数据类型：基于CORINE Land Cover（CLC）2018的多重土地覆盖标签，590,326芯片来自Sentinel-2 L2A场景（125 Sentinel-2瓦片，10个欧洲国家，2017/2018）
  • 应用：土地覆盖分类
  • 论文：Sumbul et al. 2019

• WiDS Datathon 2019 : Detection of Oil Palm Plantations

  • 数据类型：预测油棕种植园的存在，Planet卫星图像（3m分辨率）
  • 应用：油棕种植园检测

• So2Sat LCZ42

  • 数据类型：本地气候区分类，17类别（10城市，7农村），400k 32x32像素芯片覆盖42个城市
  • 应用：气候区分类

• Cactus Aerial Photos

  • 数据类型：17k航空照片，13k仙人掌，4k非仙人掌
  • 应用：仙人掌检测
  • 论文：López-Jiménez et al. 2019

• Statoil/C-CORE Iceberg Classifier Challenge

  • 数据类型：2类别船和冰山，2-波段HH/HV极化SAR图像
  • 应用：冰山分类

• Functional Map of the World Challenge

  • 数据类型：63类别，1百万芯片，4/8波段卫星图像（0.3m分辨率）
  • 应用：功能地图绘制
  • 论文：Christie et al. 2017

• EuroSAT

  • 数据类型：10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）
  • 应用：土地覆盖分类
  • 论文：Helber et al. 2017

• Planet: Understanding the Amazon from Space

  • 数据类型：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）
  • 应用：亚马逊雨林土地覆盖分类

• RESISC45

  • 数据类型：45场景类别，31,500图像（700每类别，256x256 px），图像芯片来自Google Earth
  • 应用：场景分类
  • 论文：Cheng et al. 2017

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

  • 数据类型：6土地覆盖类别，400k 28x28像素芯片，4-波段RGBNIR航空图像（1m分辨率）
  • 应用：土地覆盖分类
  • 论文：Basu et al. 2015

• UC Merced Land Use Dataset

  • 数据类型：21土地覆盖类别，100芯片每类，航空图像（0.30m分辨率）
  • 应用：土地使用分类
  • 论文：[Yang & Newsam 2010](https://www.researchgate.net/publication/221589425_

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卫星和航空影像数据集，涵盖了计算机视觉和深度学习的多种任务，如实例分割、目标检测、语义分割和场景分类等。数据集的构建过程涉及从多个来源收集高分辨率卫星影像，并通过人工标注或自动化工具生成相应的标签和注释。每个子数据集都经过严格的筛选和验证，确保数据的多样性和准确性。数据集还结合了合成数据和真实数据，以增强模型的泛化能力。

使用方法

使用 awesome-satellite-imagery-datasets 数据集时，研究人员可以根据具体任务选择相应的子数据集。数据集通常以图像芯片的形式提供，并附带详细的标注文件和元数据。用户可以通过GitHub或相关竞赛平台获取数据，并使用提供的工具进行数据预处理和模型训练。数据集还支持多种深度学习框架，如TensorFlow和PyTorch，并提供了预训练模型和评估指标，帮助用户快速验证和优化模型性能。

背景与挑战

背景概述

awesome-satellite-imagery-datasets 是一个专注于卫星和航空影像的数据集集合，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、场景分类等多个领域。自2017年以来，该数据集不断更新，包含了来自全球各地的卫星影像数据，广泛应用于农业监测、城市规划、灾害评估等领域。其核心研究问题在于如何利用高分辨率卫星影像进行精确的地物识别与分类，推动了遥感影像分析技术的发展。

当前挑战

该数据集面临的挑战主要集中在两个方面。首先，卫星影像的高分辨率和多光谱特性使得数据量庞大，处理和分析这些数据需要高效的算法和计算资源。其次，由于卫星影像的获取受天气、光照等自然条件的影响，数据质量参差不齐，如何在不同条件下保持模型的鲁棒性是一个重要挑战。此外，构建过程中，如何确保标注数据的准确性和一致性也是一个难题，尤其是在全球范围内获取和标注数据时，地理和文化差异可能导致标注标准的不一致。

常用场景

经典使用场景

在遥感图像分析领域，awesome-satellite-imagery-datasets数据集被广泛应用于实例分割、目标检测和语义分割等计算机视觉任务。例如，RarePlanes数据集通过合成和真实卫星图像的结合，提供了丰富的飞机标注数据，支持航空器检测与识别的研究。Agriculture-Vision数据集则专注于农业异常模式的分析，帮助研究者识别农田中的云影、双植、积水等异常现象，为精准农业提供数据支持。

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。首先，它提供了高分辨率的卫星图像和详细的标注数据，帮助研究者开发更精确的目标检测和分割算法。其次，通过多源数据的融合（如SAR数据与光学图像的结合），数据集支持了全天候、多传感器的遥感分析研究，提升了模型在复杂环境下的鲁棒性。此外，数据集还推动了合成数据在遥感领域的应用，解决了真实数据获取成本高、标注困难的问题。

实际应用

在实际应用中，awesome-satellite-imagery-datasets数据集为灾害评估、城市规划、农业监测等领域提供了重要支持。例如，xView 2数据集通过提供全球多个灾害场景的建筑损坏标注数据，帮助快速评估灾害影响并指导救援工作。Spacenet Challenge数据集则通过提取建筑物和道路网络信息，支持城市基础设施的规划与管理。此外，Agriculture-Vision数据集的应用有助于优化农田管理，提高农作物产量和资源利用效率。

数据集最近研究

最新研究方向

近年来，卫星影像数据集在计算机视觉和深度学习领域的应用日益广泛，特别是在实例分割、目标检测和语义分割等任务中取得了显著进展。例如，RarePlanes数据集通过合成数据和真实数据的结合，提供了丰富的飞机标注信息，推动了航空目标检测的研究。Agriculture-Vision数据集则聚焦于农业异常模式分析，为精准农业提供了重要的数据支持。此外，Spacenet Challenge Round 6通过多传感器数据融合，提升了全天候地图构建的精度，特别是在建筑物高度属性的提取方面展现了强大的潜力。这些数据集不仅推动了相关算法的创新，还在灾害响应、城市规划等领域产生了深远影响。