Awesome Satellite Imagery Datasets

包含用于计算机视觉和深度学习的卫星图像训练数据集列表，每个数据集都有详细的标注和描述。

A list of satellite image training datasets for computer vision and deep learning, each with detailed annotations and descriptions.

原始信息汇总

数据集概述

本数据集是一个综合性的卫星图像数据集列表，专注于计算机视觉和深度学习领域，涵盖了多种图像处理任务，包括实例分割、对象检测、语义分割、场景分类和其他相关任务。数据集按照任务类型分类，并提供了每个任务下的具体数据集详情。

1. 实例分割

• SpaceNet 7: Multi-Temporal Urban Development Challenge

  • 发布时间：Aug 2020
  • 数据内容：每月建筑足迹和Planet图像（4m分辨率）时间序列，覆盖2年，全球100个地点。
  • 应用：建筑足迹演变和地址传播。

• RarePlanes: Synthetic Data Takes Flight

  • 发布时间：June 2020
  • 数据内容：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。

• Agriculture-Vision Database & CVPR 2020 challenge

  • 发布时间：Jan 2020
  • 数据内容：21k航空农田图像（RGB-NIR，美国，2019季节，512x512px芯片），6种田间异常模式标签掩码。
  • 应用：农业模式分析。

2. 对象检测

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

  • 发布时间：Jun 2019
  • 数据内容：15类别，188k实例，Google Earth图像芯片。
  • 应用：航空图像中的对象检测。

• xView 2018 Detection Challenge

  • 发布时间：Jul 2018
  • 数据内容：60类别，1百万实例，Worldview-3图像（0.3m分辨率）。
  • 应用：对象检测。

3. 语义分割

• LandCover.ai: Dataset for Automatic Mapping of Buildings, Woodlands and Water from Aerial Imagery

  • 发布时间：May 2020
  • 数据内容：41张正射影像（9000x9000像素），波兰，航空图像（25cm & 50cm分辨率），手动分割掩码。
  • 应用：建筑物、林地和水的自动映射。

• 95-Cloud: A Cloud Segmentation Dataset

  • 发布时间：Jan 2020
  • 数据内容：34701个手动分割的384x384补丁，云掩码，Landsat 8图像（30m分辨率）。
  • 应用：云分割。

4. 场景分类

• BigEarthNet: Large-Scale Sentinel-2 Benchmark

  • 发布时间：Jan 2019
  • 数据内容：基于CORINE Land Cover (CLC) 2018的多重土地覆盖标签，590,326芯片，Sentinel-2 L2A场景。
  • 应用：大规模场景分类。

• WiDS Datathon 2019 : Detection of Oil Palm Plantations

  • 发布时间：Jan 2019
  • 数据内容：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。

5. 其他任务

• IEEE Data Fusion Contest 2020

  • 发布时间：Mar 2020
  • 数据内容：基于SEN12MS数据集的土地覆盖分类。
  • 应用：数据融合。

• IEEE Data Fusion Contest 2019

  • 发布时间：Mar 2019
  • 数据内容：多轨道任务，包括语义3D重建、语义立体和3D点云分类。
  • 应用：数据融合。

搜集汇总

数据集介绍

构建方式

Awesome Satellite Imagery Datasets 是一个涵盖多种卫星和航空影像数据集的集合，专为计算机视觉和深度学习任务设计。该数据集的构建基于全球范围内的多个来源，包括高分辨率卫星影像、合成数据以及真实场景的标注数据。数据集通过多源数据的整合与标注，涵盖了实例分割、目标检测、语义分割、场景分类等多种任务。每个子数据集均经过严格的筛选和标注，确保数据的多样性和高质量。

特点

该数据集的特点在于其广泛的地理覆盖范围和高分辨率影像数据。数据集不仅包含了全球多个地区的卫星影像，还提供了丰富的标注信息，如建筑物轮廓、道路网络、植被覆盖等。此外，数据集还包含了多时相数据，能够支持时间序列分析任务。数据集的多样性和高质量标注使其成为遥感影像分析和深度学习模型训练的理想选择。

使用方法

使用 Awesome Satellite Imagery Datasets 时，用户可以根据具体任务选择相应的子数据集。数据集通常以图像块（chips）的形式提供，并附带详细的标注文件。用户可以通过加载图像和标注数据，直接用于模型训练和验证。此外，数据集还提供了预训练的基线模型和评估工具，帮助用户快速上手并进行模型性能的评估。对于时间序列分析任务，用户可以利用多时相数据进行动态变化检测和趋势分析。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets 是一个专注于计算机视觉和深度学习的卫星与航空影像数据集集合，涵盖了实例分割、目标检测、语义分割、场景分类等多个任务。该数据集由多个研究机构和企业共同创建，包括CosmiQ Works、Planet、UIUC等，最早的数据集可追溯至2017年。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理信息提取与分析，如建筑物足迹、道路网络、农业异常检测等。该数据集在遥感图像分析、城市规划、灾害评估等领域具有广泛的应用价值，推动了相关领域的技术进步。

当前挑战

Awesome Satellite Imagery Datasets 面临的挑战主要体现在两个方面。首先，在领域问题方面，尽管数据集提供了丰富的标注信息，但如何在高分辨率影像中实现精确的目标检测与分割仍是一个难题，尤其是在复杂场景下（如城市密集区域或自然灾害后的损毁评估）。其次，在数据集构建过程中，挑战主要来自于数据的获取与标注。高分辨率卫星影像的获取成本高昂，且标注过程需要大量的人工参与，尤其是在多时相、多传感器数据的融合与对齐方面，技术难度较大。此外，数据的地理分布不均和标注质量的一致性也是构建过程中需要克服的关键问题。

常用场景

经典使用场景

Awesome Satellite Imagery Datasets 数据集广泛应用于计算机视觉和深度学习领域，特别是在实例分割、目标检测、语义分割和场景分类等任务中。该数据集通过提供全球范围内的卫星图像和标注数据，支持研究人员开发高效的算法模型，用于建筑物、道路、植被等地理要素的自动识别与分析。其多时相数据还为城市发展、灾害评估等动态变化研究提供了宝贵资源。

实际应用

在实际应用中，Awesome Satellite Imagery Datasets 数据集为灾害响应、农业管理和城市发展提供了重要支持。例如，xView 2 数据集用于评估自然灾害后的建筑物损毁情况，帮助救援团队快速制定应急方案。Agriculture-Vision 数据集则通过分析农田异常模式，辅助农民优化种植策略，提高农业生产效率。此外，数据集还被广泛应用于智慧城市建设，如交通规划、土地利用监测等领域。

衍生相关工作

该数据集衍生了许多经典研究工作，如 SpaceNet 系列挑战赛推动了建筑物和道路提取算法的进步，RarePlanes 数据集则为合成数据在目标检测中的应用提供了范例。此外，基于该数据集的研究成果还发表在 CVPR、ICCV 等顶级会议上，如 Chiu 等人提出的农业异常检测模型和 Shermeyer 等人关于合成数据有效性的研究。这些工作不仅提升了遥感图像分析的精度，还为相关领域的技术创新奠定了基础。