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的标注数据。每个数据集都提供了详细的描述，包括数据集的来源、规模、图像分辨率、标注类型等信息。

This dataset encompasses multiple satellite imagery collections, specifically curated for computer vision and deep learning applications, complete with annotated data. Each collection is accompanied by comprehensive descriptions detailing its origin, scale, image resolution, and the types of annotations provided.

原始信息汇总

数据集概述

1. Instance Segmentation

• xView 2 Building Damage Asessment Challenge

  • 数据集提供550k建筑足迹和4种损坏等级分类，覆盖20个全球地点和7种灾难类型。使用Worldview-3图像（0.3m分辨率），并提供预训练的基准模型。
  • 链接：xView 2 Building Damage Asessment Challenge

• Microsoft BuildingFootprints

  • 提供加拿大和美国的大量建筑足迹数据集，分别包含12.6mil和125.2mil建筑足迹，以GeoJSON格式提供，基于Bing图像使用ResNet34架构进行划分。
  • 链接：Microsoft BuildingFootprints Canada & USA

• Spacenet Challenge Round 4 - Off-nadir

  • 包含126k建筑足迹（亚特兰大），27张WorldView 2图像（0.3m分辨率），从7-54度偏角拍摄。通过双三次重采样处理以统一像素数量。
  • 链接：Spacenet Challenge Round 4 - Off-nadir

• Airbus Ship Detection Challenge

  • 包含131k船只数据，分为104k训练和88k测试图像芯片，使用卫星图像（1.5m分辨率），提供栅格掩码标签，格式为运行长度编码。
  • 链接：Airbus Ship Detection Challenge

• Open AI Challenge: Tanzania

  • 提供建筑足迹和3种建筑条件，使用RGB无人机图像。
  • 数据链接：Open AI Challenge: Tanzania

• 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。
  • 下载链接：Netherlands LPIS agricultural field boundaries

• 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。
  • 链接：Denmark LPIS agricultural field boundaries

• CrowdAI Mapping Challenge

  • 提供建筑足迹，使用RGB卫星图像，数据格式为COCO。
  • 链接：CrowdAI Mapping Challenge

• Spacenet Challenge Round 2 - Buildings

  • 包含685k建筑足迹，使用3/8波段Worldview-3图像（0.3m分辨率），覆盖5个城市。
  • 链接：Spacenet Challenge Round 2 - Buildings

• Spacenet Challenge Round 1 - Buildings

  • 提供建筑足迹（里约热内卢），使用3/8波段Worldview-3图像（0.5m分辨率）。
  • 链接：Spacenet Challenge Round 1 - Buildings

2. Object Detection

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

  • 包含15类对象，如飞机至桥梁，共188k实例，使用Google Earth图像芯片，提供Faster-RCNN基准模型（MXNet）。
  • 链接：DOTA: Large-scale Dataset for Object Detection in Aerial Images v1.5

• xView 2018 Detection Challenge

  • 包含60类对象，如直升机至体育场，共1百万实例，使用Worldview-3图像（0.3m分辨率），数据格式为COCO，提供预训练的Tensorflow和Pytorch基准模型。
  • 链接：xView 2018 Detection Challenge

• Open AI Challenge: Aerial Imagery of South Pacific Islands

  • 提供树位置和4种树种，使用RGB无人机图像（0.4m/0.8m分辨率），覆盖多个区域。
  • 链接：Open AI Challenge: Aerial Imagery of South Pacific Islands

• NIST DSE Plant Identification with NEON Remote Sensing Data

  • 包含树位置、树种和冠层参数，使用高光谱（1m分辨率）和RGB图像（0.25m分辨率），以及LiDAR点云和冠层高度模型。
  • 链接：NIST DSE Plant Identification with NEON Remote Sensing Data

• NOAA Fisheries Steller Sea Lion Population Count

  • 包含5类海狮，约80k实例，约1k空中图像，使用Kaggle内核。
  • 链接：NOAA Fisheries Steller Sea Lion Population Count

• Spacenet Rio De Janeiro Points of Interest Dataset

  • 包含460类兴趣点，如机场至网吧，共120k点（11k手动确认），使用3/8波段Worldview-3图像（0.5m分辨率）。
  • 链接：Spacenet Rio De Janeiro Points of Interest Dataset

• Stanford Drone Data

  • 包含60个无人机视频，覆盖斯坦福校园和边界框，6类对象（行人、自行车手、滑板手、推车、汽车、公交车）。
  • 链接：Stanford Drone Data

• Cars Overhead With Context (COWC)

  • 包含32k车辆边界框，使用空中图像（0.15m分辨率），覆盖6个城市。
  • 链接：Cars Overhead With Context (COWC)

3. Semantic Segmentation

• SEN12MS

  • 包含180,748个对应图像三元组，包括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，500m分辨率）。所有数据上采样至10m分辨率，地理参考，覆盖所有大陆和气象季节。
  • 链接：SEN12MS

• Slovenia Land Cover Classification

  • 包含10类土地覆盖，使用时间序列高光谱Sentinel-2图像（R,G,B,NIR,SWIR1,SWIR2；10m分辨率），覆盖2017年，包含云掩码，使用官方斯洛文尼亚土地使用土地覆盖层作为地面实况。
  • 链接：Slovenia Land Cover Classification

• 38-Cloud: A Cloud Segmentation Dataset

  • 包含17600个手动分割的384x384像素补丁，包含云掩码，使用Landsat 8图像（R,G,B,NIR；30m分辨率）。
  • 链接：38-Cloud: A Cloud Segmentation Dataset

• Agricultural Crop Cover Classification Challenge

  • 包含2个主要类别：玉米和大豆，使用Landsat 8图像（30m分辨率），使用USDA作物数据层作为地面实况。
  • 链接：Agricultural Crop Cover Classification Challenge

• Spacenet Challenge Round 3 - Roads

  • 包含8000公里道路，覆盖5个城市区域，使用3/8波段Worldview-3图像（0.3m分辨率）。
  • 链接：Spacenet Challenge Round 3 - Roads

• Urban 3D Challenge

  • 包含157k建筑足迹掩码，使用RGB正射影像（0.5m分辨率），DSM/DTM，覆盖3个城市。
  • 链接：Urban 3D Challenge

• DSTL Satellite Imagery Feature Detection Challenge

  • 包含10类土地覆盖，从作物到小型车辆，使用57张1x1km图像，3/16波段Worldview 3图像（0.3m-7.5m分辨率）。
  • 链接：DSTL Satellite Imagery Feature Detection Challenge

• Inria Aerial Image Labeling

  • 包含建筑足迹掩码，使用RGB空中图像（0.3m分辨率），覆盖5个城市。
  • 链接：Inria Aerial Image Labeling

• ISPRS Potsdam 2D Semantic Labeling Contest

  • 包含6类城市土地覆盖，使用栅格掩码标签，4波段RGB-IR空中图像（0.05m分辨率）和DSM，覆盖38个图像补丁。
  • 链接：ISPRS Potsdam 2D Semantic Labeling Contest

4. Scene classification (Chip/Image recognition)

• BigEarthNet: Large-Scale Sentinel-2 Benchmark

  • 基于CORINE土地覆盖（CLC）2018，提供多个土地覆盖标签每芯片，包含590,326个芯片，来自Sentinel-2 L2A场景（125个Sentinel-2瓦片，来自10个欧洲国家，2017/2018），66 GB档案。
  • 链接：BigEarthNet: Large-Scale Sentinel-2 Benchmark

• WiDS Datathon 2019 : Detection of Oil Palm Plantations

  • 预测油棕种植园的存在，使用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。
  • 链接：WiDS Datathon 2019 : Detection of Oil Palm Plantations

• So2Sat LCZ42

  • 包含地方气候区分类，17类（10个城市如紧凑高层，7个农村如散树），400k 32x32像素芯片，覆盖42个城市（LCZ42数据集），使用Sentinel 1 & Sentinel 2（均为10m分辨率），51 GB。
  • 链接：So2Sat LCZ42

• Statoil/C-CORE Iceberg Classifier Challenge

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

• Functional Map of the World Challenge

  • 包含63类，从太阳能农场到购物中心，1百万芯片，使用4/8波段卫星图像（0.3m分辨率），COCO数据格式，提供基准模型。
  • 链接：Functional Map of the World Challenge

• EuroSAT

  • 包含10类土地覆盖，从工业到永久作物，27k 64x64像素芯片，使用3/16波段Sentinel-2卫星图像（10m分辨率），覆盖30个国家。
  • 链接：EuroSAT

• Planet: Understanding the Amazon from Space

  • 包含13类土地覆盖+4类云条件，使用4波段（RGB-NIR）卫星图像（5m分辨率），覆盖亚马逊雨林。
  • 链接：Planet: Understanding the Amazon from Space

• RESISC45

  • 包含45类场景，从飞机到湿地，31,500张图像（每类700张，256x256像素），图像芯片来自Google Earth（全球各地的分辨率、角度、地理变化丰富）。
  • 链接：RESISC45

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

  • 包含6类土地覆盖，400k 28x28像素芯片，使用4波段RGBNIR空中图像（1m分辨率），提取自2009年国家农业图像计划（NAIP）。
  • 链接：Deepsat: SAT-4/SAT-6 airborne datasets

• UC Merced Land Use Dataset

  • 包含21类土地覆盖，从农业到停车场，每类100个芯片，使用空中图像（0.30m分辨率）。
  • 链接：UC Merced Land Use Dataset

5. Other Focus / Multiple Tasks

• IEEE Data Fusion Contest 2019

  • 包含多个赛道：语义3D重建、语义立体、3D点云分类。使用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，提供基准方法。
  • 链接：IEEE Data Fusion Contest 2019

• IEEE Data Fusion Contest 2018

  • 包含20类土地覆盖，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）。
  • 链接：IEEE Data Fusion Contest 2018

• DEEPGLOBE - 2018 Satellite Challange

  • 包含三个挑战赛道：道路提取、建筑物检测、土地覆盖分类。
  • 链接：DEEPGLOBE - 2018 Satellite Challange

• TiSeLaC : Time Series Land Cover Classification Challenge

  • 包含土地覆盖时间序列分类（9类），使用Landsat-8（23图像时间序列，10波段特征，30m分辨率），覆盖留尼汪岛。
  • 链接：[TiSeLaC : Time Series

搜集汇总

数据集介绍

构建方式

本数据集通过搜集整理多种来源的卫星影像数据及其注释信息构建而成，涵盖了从建筑物实例分割到场景分类等多种任务类型的数据集。构建过程中，数据集制作者依据不同的研究需求和影像特性，采用自动化和半自动化标注相结合的方式，确保数据的准确性和多样性。

特点

数据集特点在于其多样性、全面性和实用性。它包含了全球不同地区的卫星影像，涵盖了多种分辨率和多种传感器数据，能够满足不同计算机视觉和深度学习任务的需求。此外，数据集提供了丰富的注释信息，包括实例分割、目标检测、语义分割等，为相关领域的研究提供了宝贵的资源。

使用方法

用户可以根据具体的研究目的和任务类型选择相应的数据集。数据集的使用通常包括下载影像数据、理解数据格式、加载和预处理数据以及应用相应的计算机视觉或深度学习算法进行训练和测试。部分数据集提供了现成的训练模型和开发工具，便于用户快速上手。

背景与挑战

背景概述

awesome-satellite-imagery-datasets 是一个涵盖多种卫星图像数据集的集合，旨在为计算机视觉和深度学习提供丰富的标注数据。这些数据集包括实例分割、目标检测、语义分割、场景分类等多个类别，并且不断更新，将最新的数据集置于类别顶部。该数据集的创建并非由单一机构或研究人员主导，而是多个研究团队和机构共同努力的结果，如DIUx、CosmiQ Works、Microsoft等。这些数据集的构建时间为2016年至2019年不等，核心研究问题涉及卫星图像的解析与应用，如建筑损害评估、船舶检测等。其对遥感领域的研究和实际应用产生了重要影响，推动了相关技术的发展。

当前挑战

在数据集构建过程中，研究人员面临了诸多挑战。首先，卫星图像的分辨率和质量差异导致了标注和处理的困难。其次，不同地区和条件下的图像数据多样性要求算法具有更强的泛化能力。此外，大规模数据集的标注和管理也是一项艰巨的任务。在研究领域问题方面，如何准确地进行实例分割、目标检测和语义分割等，都是当前面临的挑战。例如，高分辨率卫星图像中的建筑损害评估需要对细微的图像变化进行精确识别，而这在技术上是一大挑战。

常用场景

经典使用场景

awesome-satellite-imagery-datasets数据集在计算机视觉与深度学习领域中，经典的使用场景主要包括对卫星图像进行实例分割、目标检测、语义分割以及场景分类等任务。例如，Spacenet Challenge系列比赛便使用了该数据集中的建筑物足迹数据，对世界各地的城市进行精细化的图像分割，以评估建筑物损坏情况，这对于自然灾害后的救援行动规划具有显著意义。

衍生相关工作

基于该数据集，衍生出了一系列相关的研究工作，如IEEE Data Fusion Contest等比赛推动了卫星图像融合处理技术的发展，而Spacenet Challenge则催生了许多关于卫星图像分割与分类的高质量研究论文。

数据集最近研究

最新研究方向

近年来，随着卫星图像分辨率的提高和深度学习技术的发展，卫星图像数据集在计算机视觉领域的研究得到了广泛关注。在实例分割领域，如xView2数据集，研究者关注于建筑损毁评估，该数据集提供了550k建筑足迹和4个损毁等级，涵盖了20个全球地点和7种灾害类型。在对象检测领域，DOTA数据集以其大规模的实例和多样化的类别成为研究热点。在语义分割领域，SEN12MS数据集通过多模态卫星图像提供了全球范围内的土地覆盖分类。在场景分类方面，BigEarthNet数据集基于Sentinel-2卫星图像，为大规模的地物覆盖分类提供了基准。这些研究不仅推动了卫星图像分析技术的发展，也对灾害响应、城市规划等领域产生了重要影响。