Awesome Satellite Imagery Datasets

包含用于计算机视觉和深度学习的卫星图像数据集列表，每个类别（实例分割、目标检测、语义分割、芯片分类、其他）中最新数据集位于顶部。

A list of satellite image datasets for computer vision and deep learning, with the latest datasets in each category (instance segmentation, object detection, semantic segmentation, chip classification, others) positioned at the top.

原始信息汇总

数据集概述

实例分割

• Spacenet Challenge Round 4 - Off-nadir
  数据来源：CosmiQ Works, DigitalGlobe, Radiant Solutions, AWS
  发布时间：Dec 2018
  数据内容：126k建筑轮廓（亚特兰大），27张WorldView 2图像（0.3m分辨率），角度从7-54度偏离正视。

• Airbus Ship Detection Challenge
  数据来源：Airbus
  发布时间：Nov 2018
  数据内容：131k船只，104k训练/88k测试图像芯片，卫星图像（1.5m分辨率），栅格掩码标签采用运行长度编码格式。

• Open AI Challenge: Tanzania
  数据来源：WeRobotics & Worldbank
  发布时间：Nov 2018
  数据内容：建筑轮廓及3种建筑条件，RGB无人机图像。

• Netherlands LPIS agricultural field boundaries
  数据来源：Netherlands Department for Economic Affairs
  数据内容：294种作物/植被类别，780k地块，2009-2018年年度数据集。

• Denmark LPIS agricultural field boundaries
  数据来源：Denmark Department for Agriculture
  数据内容：293种作物/植被类别，600k地块，2008-2018年年度数据集。

• CrowdAI Mapping Challenge
  数据来源：Humanity & Inclusion NGO
  发布时间：May 2018
  数据内容：建筑轮廓，RGB卫星图像，COCO数据格式。

• Spacenet Challenge Round 2 - Buildings
  数据来源：CosmiQ Works, Radiant Solutions, NVIDIA
  发布时间：May 2017
  数据内容：685k建筑轮廓，3/8波段Worldview-3图像（0.3m分辨率），5个城市。

• Spacenet Challenge Round 1 - Buildings
  数据来源：CosmiQ Works, Radiant Solutions, NVIDIA
  发布时间：Jan 2017
  数据内容：建筑轮廓（里约热内卢），3/8波段Worldview-3图像（0.5m分辨率）。

目标检测

• DOTA: Large-scale Dataset for Object Detection in Aerial Images
  数据来源：Wuhan University等
  数据内容：15个类别，188k实例，Google Earth图像芯片，Faster-RCNN基准模型（MXNet）。

• xView 2018 Detection Challenge
  数据来源：DIUx
  发布时间：Jul 2018
  数据内容：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。

• Open AI Challenge: Aerial Imagery of South Pacific Islands
  数据来源：WeRobotics & Worldbank
  发布时间：May 2018
  数据内容：树位置及4种树种，RGB无人机图像（0.4m/0.8m分辨率），多个AOI在汤加。

• NIST DSE Plant Identification with NEON Remote Sensing Data
  数据来源：inria.fr
  发布时间：Oct 2017
  数据内容：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。

• NOAA Fisheries Steller Sea Lion Population Count
  数据来源：NOAA
  发布时间：Jun 2017
  数据内容：5个海狮类别，约80k实例，约1k空中图像。

• Spacenet Rio De Janeiro Points of Interest Dataset
  数据来源：CosmiQ Works, Radiant Solutions
  发布时间：Jan 2017
  数据内容：460个类别，120k点（11k手动确认），3/8波段Worldview-3图像（0.5m分辨率）。

• Cars Overhead With Context (COWC)
  数据来源：Lawrence Livermore National Laboratory
  数据内容：32k汽车边界框，空中图像（0.15m分辨率），6个城市。

语义分割

• Agricultural Crop Cover Classification Challenge
  数据来源：CrowdANALYTIX
  发布时间：Jul 2018
  数据内容：2个主要类别玉米和大豆，Landsat 8图像（30m分辨率），USDA作物数据层作为地面实况。

• Spacenet Challenge Round 3 - Roads
  数据来源：CosmiQ Works, Radiant Solutions
  发布时间：Feb 2018
  数据内容：8000公里道路在5个城市AOI，3/8波段Worldview-3图像（0.3m分辨率）。

• Urban 3D Challenge
  数据来源：USSOCOM
  发布时间：Dec 2017
  数据内容：157k建筑轮廓掩码，RGB正射影像（0.5m分辨率），DSM/DTM，3个城市。

• DSTL Satellite Imagery Feature Detection Challenge
  数据来源：Dstl
  发布时间：Feb 2017
  数据内容：10个土地覆盖类别，57个1x1km图像，3/16波段Worldview 3图像（0.3m-7.5m分辨率）。

• Inria Aerial Image Labeling
  数据来源：inria
  数据内容：建筑轮廓掩码，RGB空中图像（0.3m分辨率），5个城市。

• ISPRS Potsdam 2D Semantic Labeling Contest
  数据来源：ISPRS
  数据内容：6个城市土地覆盖类别，栅格掩码标签，4波段RGB-IR空中图像（0.05m分辨率）& DSM，38个图像块。

芯片分类（图像识别）

• Alibaba Cloud German AI Challenge 2019
  数据来源：StepStone, DLR, Alibaba Cloud, Tianchi
  发布时间：Jan 2018
  数据内容：本地气候区分类，17个类别（10个城市，7个农村），400k 32x32像素芯片覆盖42个城市（LCZ42数据集），Sentinel 2 & Sentinel 1（均10m分辨率）。

• Statoil/C-CORE Iceberg Classifier Challenge
  数据来源：Statoil/C-CORE
  发布时间：Jan 2018
  数据内容：2个类别船和冰山，2波段HH/HV极化SAR图像。

• Functional Map of the World Challenge
  数据来源：IARPA
  发布时间：Dec 2017
  数据内容：63个类别，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。

• EuroSAT
  数据来源：DFK
  发布时间：Aug 2017
  数据内容：10个土地覆盖类别，27k 64x64像素芯片，3/16波段Sentinel-2卫星图像（10m分辨率），覆盖30个国家的城市。

• Planet: Understanding the Amazon from Space
  数据来源：Planet
  发布时间：Jul 2017
  数据内容：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。

• Deepsat: SAT-4/SAT-6 airborne datasets
  数据来源：Louisiana State University
  发布时间：2015
  数据内容：6个土地覆盖类别，400k 28x28像素芯片，4波段RGBNIR空中图像（1m分辨率），从2009年国家农业图像计划（NAIP）提取。

• UC Merced Land Use Dataset
  数据来源：UC Merced
  发布时间：Oct 2010
  数据内容：21个土地覆盖类别，每类100个芯片，空中图像（0.30m分辨率）。

其他焦点/多任务

• DEEPGLOBE - 2018 Satellite Challange
  数据来源：CVPR
  发布时间：Apr 2018
  数据内容：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
  数据来源：IEEE
  发布时间：-Mar 2018
  数据内容：20个土地覆盖类别，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）。

• TiSeLaC : Time Series Land Cover Classification Challenge
  数据来源：UMR TETIS
  发布时间：Jul 2017
  数据内容：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，30m分辨率），留尼汪岛。

• Multi-View Stereo 3D Mapping Challenge
  数据来源：IARPA
  发布时间：Nov 2016
  数据内容：开发一个多视角立体（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，0.2m激光雷达地面实况数据。

• Draper Satellite Image Chronology
  数据来源：Draper
  发布时间：Jun 2016
  数据内容：预测在同一地点拍摄的图像在5天内的顺序。

搜集汇总

数据集介绍

构建方式

Awesome Satellite Imagery Datasets 是一个涵盖了多种卫星图像数据集的集合，旨在服务于计算机视觉和深度学习领域。该数据集通过整合Instance Segmentation、Object Detection、Semantic Segmentation、Chip Classification等多个类别，采用从不同来源收集的卫星图像，并根据各任务需求进行了相应的预处理和标注，如对图像进行重采样以保持分辨率一致性，以及采用不同的标注格式（如run-length encoding、COCO data format等），构建了一个多功能的卫星图像数据集。

特点

该数据集的特点在于其多样性、广泛性和实用性。它包含了从不同角度（如off-nadir视角）获取的卫星图像，覆盖了全球多个地区，提供了从建筑物、船只、道路到农业用地等多种地物类型的标注信息。此外，数据集的构建充分考虑了实际应用需求，如分辨率、标注格式和任务类型的多样性，使得该数据集在计算机视觉和深度学习领域中具有极高的应用价值。

使用方法

用户可以通过访问数据集提供的链接下载所需的数据集。每个数据集的详情页均提供了详细的使用说明，包括数据集的构成、图像分辨率、标注格式等信息。此外，部分数据集还提供了预先训练的基线模型和开发工具，以便用户能够更便捷地进行模型训练和评估。用户在使用时，应遵循数据集的使用条款，特别是在学术或商业应用中需注意版权和许可问题。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets 是一个涉及计算机视觉和深度学习的卫星图像数据集列表，旨在为研究人员提供带有注释的航空和卫星图像数据。该数据集涵盖了从实例分割、对象检测、语义分割到图像分类等多个领域，包含了如Spacenet Challenge、Airbus Ship Detection Challenge等具有影响力的数据集。这些数据集的创建时间跨度较大，从2010年的UC Merced Land Use Dataset到2018年的多个挑战数据集，由多个研究机构和企业如CosmiQ Works、DigitalGlobe、Radiant Solutions等共同构建，为相关领域的研究提供了丰富的数据资源。

当前挑战

在构建该数据集时，研究人员面临着多个挑战。首先，卫星图像的分辨率和视角差异导致了数据预处理和标注的困难。其次，不同地区和不同时间段的图像条件变化，使得数据集的泛化能力受到考验。此外，对于大规模数据集的存储、管理和分发也是一项技术挑战。在研究领域问题方面，例如Spacenet Challenge数据集解决了建筑物足迹的自动检测问题，但在实际应用中，如何提高检测精度和减少误报仍然是一个挑战。

常用场景

经典使用场景

Awesome Satellite Imagery Datasets汇编了计算机视觉和深度学习领域中的众多卫星图像数据集，其经典使用场景包括对卫星图像进行实例分割、目标检测、语义分割、图像块分类等多种任务。例如，Spacenet Challenge Round 4 - Off-nadir数据集便提供了从不同角度拍摄的卫星图像，用于训练模型以识别建筑物的轮廓。

实际应用

在实际应用中，这些数据集可用于城市规划、灾害响应、环境监测等多个领域。例如，Airbus Ship Detection Challenge数据集能够帮助开发出用于海上船只检测的系统，进而提高海上安全和航海效率。

衍生相关工作

基于这些数据集，衍生出了一系列相关的研究工作。例如，Spacenet Challenge系列数据集催生了多个关于从卫星图像中提取有用信息的挑战和比赛，推动了空间分析和地理信息系统领域的发展。