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

原始信息汇总

数据集概述

实例分割

• 38-Cloud: A Cloud Segmentation Dataset
  • 17600个手动分割的384x384像素补丁，使用Landsat 8影像（R,G,B,NIR；30米分辨率）。
• Spacenet Challenge Round 4 - Off-nadir
  • 126k建筑足迹（亚特兰大），27张WorldView 2图像（0.3米分辨率），从7-54度偏离天底角。
• Airbus Ship Detection Challenge
  • 131k船只，104k训练/88k测试图像补丁，卫星影像（1.5米分辨率），运行长度编码格式的栅格掩码标签。
• Open AI Challenge: Tanzania
  • 建筑足迹及3种建筑条件，RGB无人机影像。
• Netherlands LPIS agricultural field boundaries
  • 294种作物/植被类别，780k地块，2009-2018年的年度数据集。
• Denmark LPIS agricultural field boundaries
  • 293种作物/植被类别，600k地块，2008-2018年的年度数据集。
• CrowdAI Mapping Challenge
  • 建筑足迹，RGB卫星影像，COCO数据格式。
• Spacenet Challenge Round 2 - Buildings
  • 685k建筑足迹，3/8波段Worldview-3影像（0.3米分辨率），5个城市。
• Spacenet Challenge Round 1 - Buildings
  • 建筑足迹（里约热内卢），3/8波段Worldview-3影像（0.5米分辨率）。

目标检测

• DOTA: Large-scale Dataset for Object Detection in Aerial Images
  • 15个类别，188k实例，Google Earth图像补丁，Faster-RCNN基准模型（MXNet）。
• xView 2018 Detection Challenge
  • 60个类别，1百万实例，Worldview-3影像（0.3米分辨率），COCO数据格式。
• Open AI Challenge: Aerial Imagery of South Pacific Islands
  • 树位置及4种树种，RGB无人机影像（0.4m/0.8m分辨率）。
• NIST DSE Plant Identification with NEON Remote Sensing Data
  • 树位置，树种和冠层参数，高光谱（1米分辨率）& RGB影像（0.25米分辨率）。
• NOAA Fisheries Steller Sea Lion Population Count
  • 5个海狮类别，约80k实例，约1k航空图像。
• Spacenet Rio De Janeiro Points of Interest Dataset
  • 460个类别，120k点（11k手动确认），3/8波段Worldview-3影像（0.5米分辨率）。
• Cars Overhead With Context (COWC)
  • 32k汽车边界框，航空影像（0.15米分辨率），6个城市。

语义分割

• Land Cover Classification
  • 10个土地覆盖类别，时间堆栈高光谱Sentinel-2影像（R,G,B,NIR,SWIR1,SWIR2；10米分辨率）。
• Agricultural Crop Cover Classification Challenge
  • 2个主要类别玉米和大豆，Landsat 8影像（30米分辨率）。
• Spacenet Challenge Round 3 - Roads
  • 8000公里道路，5个城市区域，3/8波段Worldview-3影像（0.3米分辨率）。
• Urban 3D Challenge
  • 157k建筑足迹掩码，RGB正射影像（0.5米分辨率），DSM/DTM，3个城市。
• DSTL Satellite Imagery Feature Detection Challenge
  • 10个土地覆盖类别，57个1x1km图像，3/16波段Worldview 3影像（0.3米-7.5米分辨率）。
• Inria Aerial Image Labeling
  • 建筑足迹掩码，RGB航空影像（0.3米分辨率），5个城市。
• ISPRS Potsdam 2D Semantic Labeling Contest
  • 6个城市土地覆盖类别，栅格掩码标签，4波段RGB-IR航空影像（0.05米分辨率）。

芯片分类（图像识别）

• Alibaba Cloud German AI Challenge 2019
  • 局部气候区分类，17个类别，400k 32x32像素芯片覆盖42个城市，Sentinel 2 & Sentinel 1（均为10米分辨率）。
• Statoil/C-CORE Iceberg Classifier Challenge
  • 2个类别船和冰山，2波段HH/HV极化SAR影像。
• Functional Map of the World Challenge
  • 63个类别，1百万芯片，4/8波段卫星影像（0.3米分辨率），COCO数据格式。
• EuroSAT
  • 10个土地覆盖类别，27k 64x64像素芯片，3/16波段Sentinel-2卫星影像（10米分辨率）。
• Planet: Understanding the Amazon from Space
  • 13个土地覆盖类别+4个云条件类别，4波段（RGB-NIR）卫星影像（5米分辨率）。
• Deepsat: SAT-4/SAT-6 airborne datasets
  • 6个土地覆盖类别，400k 28x28像素芯片，4波段RGBNIR航空影像（1米分辨率）。
• UC Merced Land Use Dataset
  • 21个土地覆盖类别，每类100个芯片，航空影像（0.30米分辨率）。

其他焦点/多任务

• DEEPGLOBE - 2018 Satellite Challange
  • 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
  • 20个土地覆盖类别，通过融合三个数据源：多光谱激光雷达，高光谱（1米），RGB影像（0.05米分辨率）。
• TiSeLaC : Time Series Land Cover Classification Challenge
  • 土地覆盖时间序列分类（9个类别），Landsat-8（23个图像时间序列，10波段特征，30米分辨率）。
• 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，0.2米激光雷达地面实况数据。
• Draper Satellite Image Chronology
  • 预测在同一位置拍摄的图像在5天内的顺序。

搜集汇总

数据集介绍

构建方式

本数据集通过搜集整理来自全球的卫星影像数据，并根据不同的应用需求进行分类和标注，构建了一个多样化的卫星影像数据集。数据集涵盖了从实例分割、目标检测、语义分割到图像分类等多种计算机视觉和深度学习任务所需的标注卫星影像，包括landsat、WorldView-2/3、Google Earth等不同来源的影像数据，以及通过众包、官方机构等不同渠道获取的标注信息。

特点

本数据集的特点在于其多样性、广泛性和实用性。它包含了多种分辨率的卫星影像，满足了不同任务需求；标注类型全面，涵盖了从建筑物、道路、农作物到冰山等多种地物类别；数据来源丰富，既有官方数据也有通过竞赛和众包获得的数据，为研究者提供了丰富的数据资源。

使用方法

使用本数据集时，用户需根据自身的任务需求选择合适的数据子集。数据集通常以COCO、run-length encoding等标准格式提供标注信息，方便用户直接应用于模型训练。同时，部分数据集还提供了预处理工具和基准模型，用户可以在此基础上进行模型开发和性能评估。

背景与挑战

背景概述

awesome-satellite-imagery-datasets 数据集是一份详尽的卫星图像数据集清单，旨在为计算机视觉和深度学习提供带注释的航空和卫星图像数据。该数据集包含了从实例分割、目标检测、语义分割到图像分类等多种类型的卫星图像数据集，其创建时间为2016年，由多个研究机构和企业共同维护更新。该数据集的构建旨在推动卫星图像在计算机视觉领域的应用研究，特别是在地理信息系统（GIS）、城市规划、环境监测等方面具有重要价值。数据集涵盖了多种卫星来源的图像，包括Landsat 8、WorldView-2/3等，以及不同分辨率的图像数据，为相关领域的研究提供了丰富的数据资源。

当前挑战

尽管awesome-satellite-imagery-datasets 数据集为研究人员提供了丰富的卫星图像数据，但在使用过程中也存在一些挑战。首先，不同数据集的标注质量参差不齐，这给模型的训练和评估带来了困难。其次，卫星图像的数据量巨大，对计算资源的要求较高，数据处理和存储成本较大。此外，卫星图像受天气、季节等因素影响，图像质量存在波动，这对图像的分析和解读提出了更高的要求。最后，由于卫星图像涉及到的领域知识较为复杂，如地理信息系统、遥感等，因此需要相关专业背景知识才能更好地利用这些数据集。

常用场景

经典使用场景

在卫星影像处理与计算机视觉研究领域，awesome-satellite-imagery-datasets数据集提供了一系列标注详尽的空变和卫星影像，这些影像覆盖了不同的任务类型，如实例分割、目标检测、语义分割等。其经典使用场景在于，研究人员可以借此数据集进行深度学习模型的训练与验证，以提高卫星影像解析的准确性，例如在Spacenet挑战中，参与者使用该数据集对建筑物进行精确的脚部轮廓提取。

衍生相关工作

基于该数据集，已衍生出一系列相关研究工作，如通过卫星影像进行精确的土地覆盖分类、农作物识别、以及冰山检测等。这些工作不仅推动了卫星影像解析技术的发展，还促进了遥感应用在各个领域的深入融合，如环境保护、资源管理等，展现了数据集在学术和应用领域的深远影响。

数据集最近研究

最新研究方向

在遥感影像数据分析领域，近年来研究的热点逐渐转向了对高分辨率卫星图像的智能解析，尤其是在实例分割、目标检测、语义分割等任务上。例如，针对云层的精确分割，38-Cloud数据集提供了17600个手动分割的卫星图像块，用于推动云层识别技术的发展。在目标检测方面，DOTA数据集的发布，涵盖了从飞机到桥梁等15个类别，共188k个实例，为大规模空中目标检测研究提供了宝贵资源。语义分割任务也在不断进展，如Spacenet Challenge Round 3 - Roads数据集，专注于城市道路的识别。此外，图像识别领域，如Alibaba Cloud German AI Challenge 2019，通过17个气候分区分类任务，推动了本地气候区分类技术的发展。这些研究不仅提升了卫星图像解析的精度，也为环境保护、城市规划等应用领域提供了重要支撑。