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 encompasses multiple satellite imagery collections, specifically curated for applications in computer vision and deep learning. 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

• Spacenet Challenge Round 4 - Off-nadir
  提供者：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），角度范围7-54度。

• Airbus Ship Detection Challenge
  提供者：Airbus
  发布时间：Nov 2018
  数据内容：131k船只，104k训练/88k测试图像片，卫星图像（1.5m分辨率），栅格掩码标签。

• Open AI Challenge: Tanzania
  提供者：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
  提供者：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
  提供者：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
  提供者：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
  提供者：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
  提供者：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
  提供者：Wuhan University et al.
  数据内容：15类目标，188k实例，Google Earth图像片，Faster-RCNN基准模型。

• xView 2018 Detection Challenge
  提供者：DIUx
  发布时间：Jul 2018
  数据内容：60类目标，1百万实例，Worldview-3图像（0.3m分辨率），COCO数据格式。

• Open AI Challenge: Aerial Imagery of South Pacific Islands
  提供者：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）。

• NIST DSE Plant Identification with NEON Remote Sensing Data
  提供者：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）。

• NOAA Fisheries Steller Sea Lion Population Count
  提供者：NOAA
  发布时间：Jun 2017
  数据内容：5类海狮，约80k实例，约1k空中图像。

• Spacenet Rio De Janeiro Points of Interest Dataset
  提供者：CosmiQ Works, Radiant Solutions
  发布时间：Jan 2017
  数据内容：460类目标，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)
  提供者：Lawrence Livermore National Laboratory
  数据内容：32k车辆边界框，航空图像（0.15m分辨率），6个城市。

语义分割

• Agricultural Crop Cover Classification Challenge
  提供者：CrowdANALYTIX
  发布时间：Jul 2018
  数据内容：2大类玉米和大豆，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
  提供者：CosmiQ Works, Radiant Solutions
  发布时间：Feb 2018
  数据内容：5个城市中的8000公里道路，3/8波段Worldview-3图像（0.3m分辨率）。

• Urban 3D Challenge
  提供者：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
  提供者：Dstl
  发布时间：Feb 2017
  数据内容：10类土地覆盖，57 1x1km图像，3/16波段Worldview 3图像（0.3m-7.5m分辨率）。

• Inria Aerial Image Labeling
  提供者：inria
  数据内容：建筑轮廓掩码，RGB航空图像（0.3m分辨率），5个城市。

• ISPRS Potsdam 2D Semantic Labeling Contest
  提供者：ISPRS
  数据内容：6类城市土地覆盖，栅格掩码标签，4波段RGB-IR航空图像（0.05m分辨率）& DSM。

芯片分类（图像识别）

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

• Statoil/C-CORE Iceberg Classifier Challenge
  提供者：Statoil/C-CORE
  发布时间：Jan 2018
  数据内容：2类船只和冰山，2波段HH/HV极化SAR图像。

• Functional Map of the World Challenge
  提供者：IARPA
  发布时间：Dec 2017
  数据内容：63类目标，1百万芯片，4/8波段卫星图像（0.3m分辨率），COCO数据格式。

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

• Planet: Understanding the Amazon from Space
  提供者：Planet
  发布时间：Jul 2017
  数据内容：13类土地覆盖+4类云条件，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
  提供者：Louisiana State University
  发布时间：2015
  数据内容：6类土地覆盖，400k 28x28像素芯片，4波段RGBNIR航空图像（1m分辨率）。

• UC Merced Land Use Dataset
  提供者：UC Merced
  发布时间：Oct 2010
  数据内容：21类土地覆盖，每类100芯片，航空图像（0.30m分辨率）。

其他焦点/多任务

• DEEPGLOBE - 2018 Satellite Challange
  提供者：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
  提供者：IEEE
  发布时间：-Mar 2018
  数据内容：20类土地覆盖，通过融合三种数据源：多光谱激光雷达，高光谱（1m），RGB图像（0.05m分辨率）。

• TiSeLaC : Time Series Land Cover Classification Challenge
  提供者：UMR TETIS
  发布时间：Jul 2017
  数据内容：土地覆盖时间序列分类（9类），Landsat-8（23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
  提供者：IARPA
  发布时间：Nov 2016
  数据内容：开发多视图立体（MVS）3D映射算法，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
  提供者：Draper
  发布时间：Jun 2016
  数据内容：预测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 是一个整合了多种卫星图像数据集的资源列表，旨在为计算机视觉和深度学习提供丰富的标注数据。该数据集的构建采取了分门别类的方式，将不同的卫星图像数据按照实例分割、对象检测、语义分割、图像块分类等类别进行整理，每个类别下又按照数据集的新旧顺序排列，最新的数据集置于顶部，便于用户快速获取最新资源。

特点

该数据集的特点在于其内容的全面性和多样性，涵盖了从建筑物、船只、道路到土地覆盖等多种不同的标注类型，满足了不同研究领域和任务的需求。此外，数据集提供了不同分辨率和来源的卫星图像，包括WorldView-3、Sentinel-2等，为研究者提供了丰富的数据选择。每个数据集均提供了详尽的元数据信息和必要的标注格式，如COCO数据格式、run-length编码等，以适应不同的算法和模型需求。

使用方法

用户可以通过数据集提供的链接直接访问并下载数据。部分数据集可能需要特定的工具或API来处理，例如Kaggle平台上的数据集可以通过Kaggle kernels进行交互式分析。此外，一些数据集提供了预训练的基线模型和开发工具，以帮助用户快速开始模型训练和评估。在使用时，用户应遵守数据集的版权和使用条款，特别是对于学术用途的数据集，需遵循相关学术规定。

背景与挑战

背景概述

卫星影像数据集在计算机视觉和深度学习领域具有重要价值，Awesome Satellite Imagery Datasets 便是一个集成了多种卫星影像数据集的资源列表。该数据集由多个组织和个人共同创建，包含了从实例分割、目标检测到语义分割等多种类型的卫星影像标注数据，旨在推动遥感影像分析相关技术的发展。自2016年以来，多个机构和研究人员贡献了他们的数据集，其中包括CosmiQ Works、DigitalGlobe、Radiant Solutions等知名机构，这些数据集在领域内产生了广泛的影响，为研究者提供了丰富的实验资源。

当前挑战

在构建和完善该数据集的过程中，研究人员面临了诸多挑战。首先，卫星影像数据量大，标注成本高昂，需要自动化和半自动化的标注工具来提高效率。其次，由于卫星影像的分辨率和视角差异，导致数据预处理和标准化工作复杂。此外，卫星影像易受天气和季节变化的影响，为数据的一致性和准确性带来挑战。在研究领域问题上，例如，高分辨率卫星影像的目标检测、建筑物提取以及土地覆盖分类等任务，都面临着如何处理复杂场景和微小目标等难题。

常用场景

经典使用场景

在卫星图像处理与计算机视觉研究领域，Awesome Satellite Imagery Datasets汇集了众多具有标注的卫星图像数据集，其经典使用场景主要集中于地物分类、目标检测、实例分割与语义分割等任务。研究者可以利用这些数据集训练深度学习模型，以实现对卫星图像中建筑、道路、船只等目标的自动识别与提取。

衍生相关工作

基于该数据集，衍生了一系列相关的研究工作，包括卫星图像自动标注算法、多任务学习框架的构建以及跨域迁移学习等。这些工作不仅推动了卫星图像处理技术的发展，也为相关领域的学者提供了新的研究方向和实验平台。

数据集最近研究

最新研究方向

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，其研究方向主要集中在实例分割、目标检测、语义分割、图像识别等多个方面。近期研究聚焦于提升卫星影像在实例分割方面的精度，如Spacenet Challenge Round 4 - Off-nadir数据集，通过处理不同角度的卫星影像，以实现对建筑物等目标的精确分割。在目标检测领域，DOTA数据集的发布推动了大规模空中影像中目标检测的研究进展。语义分割方面，Spacenet Challenge Round 3 - Roads数据集促进了城市道路识别技术的发展。此外，图像识别领域的研究则利用如DEEPGLOBE等数据集，实现对多任务学习的探索，以应对复杂的现实场景。这些研究不仅推动了卫星影像数据分析技术的发展，也对灾害响应、城市规划等实际应用产生了深远影响。