Awesome Satellite Imagery Datasets

包含多个卫星图像数据集的列表，用于计算机视觉和深度学习，涵盖实例分割、目标检测、语义分割、芯片分类等多个类别。

A list of multiple satellite image datasets, designed for computer vision and deep learning applications, encompassing various categories such as instance segmentation, object detection, semantic segmentation, and chip classification.

原始信息汇总

数据集概述

实例分割

• CanadianBuildingFootprints (Microsoft, Mar 2019)
  包含12.6百万建筑足迹（覆盖加拿大全境），使用ResNet34架构基于Bing图像进行划分，格式为GeoJSON。

• Spacenet Challenge Round 4 - Off-nadir (CosmiQ Works, DigitalGlobe, Radiant Solutions, AWS, Dec 2018)
  包含126k建筑足迹（亚特兰大），27张WorldView 2图像（0.3m分辨率），拍摄角度为7-54度，通过双三次重采样以相同像素数处理图像。

• Airbus Ship Detection Challenge (Airbus, Nov 2018)
  包含131k船只，104k训练/88k测试图像片，卫星图像（1.5m分辨率），标签为运行长度编码格式。

• Open AI Challenge: Tanzania (WeRobotics & Worldbank, Nov 2018)
  包含建筑足迹及3种建筑条件，RGB无人机图像。

• Netherlands LPIS agricultural field boundaries (Netherlands Department for Economic Affairs)
  包含294种作物/植被类别，780k地块，年度数据集（2009-2018年）。

• Denmark LPIS agricultural field boundaries (Denmark Department for Agriculture)
  包含293种作物/植被类别，600k地块，年度数据集（2008-2018年）。

• CrowdAI Mapping Challenge (Humanity & Inclusion NGO, May 2018)
  包含建筑足迹，RGB卫星图像，COCO数据格式。

• Spacenet Challenge Round 2 - Buildings (CosmiQ Works, Radiant Solutions, NVIDIA, May 2017)
  包含685k建筑足迹，3/8波段Worldview-3图像（0.3m分辨率），覆盖5个城市。

• Spacenet Challenge Round 1 - Buildings (CosmiQ Works, Radiant Solutions, NVIDIA, Jan 2017)
  包含建筑足迹（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 (Wuhan University et al.)
  包含15类目标（从飞机到桥梁），188k实例，Google Earth图像片，使用Faster-RCNN基线模型（MXNet）。

• xView 2018 Detection Challenge (DIUx, Jul 2018)
  包含60类目标（从直升机到体育场），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 (WeRobotics & Worldbank, May 2018)
  包含树位置及4种树种，RGB无人机图像（0.4m/0.8m分辨率），覆盖汤加多个AOI。

• NIST DSE Plant Identification with NEON Remote Sensing Data (inria.fr, Oct 2017)
  包含树位置、树种及冠层参数，高光谱（1m分辨率）与RGB图像（0.25m分辨率），以及LiDAR点云和冠层高度模型。

• NOAA Fisheries Steller Sea Lion Population Count (NOAA, Jun 2017)
  包含5类海狮，约80k实例，约1k航空图像。

• Spacenet Rio De Janeiro Points of Interest Dataset (CosmiQ Works, Radiant Solutions, Jan 2017)
  包含460类兴趣点（从机场到网吧），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) (Lawrence Livermore National Laboratory)
  包含32k车辆边界框，航空图像（0.15m分辨率），覆盖6个城市。

语义分割

• Land Cover Classification (Sinergise, Feb 2019)
  包含10类土地覆盖，基于2017年的超光谱Sentinel-2图像（R,G,B,NIR,SWIR1,SWIR2; 10m分辨率），包含云掩码。

• 38-Cloud: A Cloud Segmentation Dataset (S. Mohajerani et. all)
  包含17600个手动分割的384x384补丁，带有云掩码，Landsat 8图像（R,G,B,NIR; 30m分辨率）。

• Agricultural Crop Cover Classification Challenge (CrowdANALYTIX, Jul 2018)
  包含2个主要类别（玉米和大豆），Landsat 8图像（30m分辨率），使用USDA Cropland数据层作为地面实况。

• Spacenet Challenge Round 3 - Roads (CosmiQ Works, Radiant Solutions, Feb 2018)
  包含5个城市AOI中的8000公里道路，3/8波段Worldview-3图像（0.3m分辨率）。

• Urban 3D Challenge (USSOCOM, Dec 2017)
  包含157k建筑足迹掩码，RGB正射影像（0.5m分辨率），DSM/DTM，覆盖3个城市。

• DSTL Satellite Imagery Feature Detection Challenge (Dstl, Feb 2017)
  包含10类土地覆盖，57张1x1km图像，3/16波段Worldview 3图像（0.3m-7.5m分辨率）。

• Inria Aerial Image Labeling (inria)
  包含建筑足迹掩码，RGB航空图像（0.3m分辨率），覆盖5个城市。

• ISPRS Potsdam 2D Semantic Labeling Contest (ISPRS)
  包含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，38张图像补丁。

芯片分类（图像识别）

• BigEarthNet: Large-Scale Sentinel-2 Benchmark (TU Berlin, Jan 2019)
  基于CORINE Land Cover (CLC) 2018的多土地覆盖标签，590,326片来自Sentinel-2 L2A场景（125个Sentinel-2瓦片，覆盖10个欧洲国家，2017/2018年），66 GB档案。

• WiDS Datathon 2019 : Detection of Oil Palm Plantations (Global WiDS Team & West Big Data Innovation Hub, Jan 2019)
  预测油棕榈种植园的存在，Planet卫星图像（3m分辨率），约20k 256 x 256像素芯片，2个类别（油棕榈和其他），注释者置信度得分。

• So2Sat LCZ42 (TUM Munich & DLR, Aug 2018)
  本地气候区分类，17个类别（10个城市，如紧凑高层，7个农村，如分散树木），400k 32x32像素芯片，覆盖42个城市，Sentinel 1 & Sentinel 2（均为10m分辨率），51 GB。

• Statoil/C-CORE Iceberg Classifier Challenge (Statoil/C-CORE, Jan 2018)
  2个类别（船只和冰山），2波段HH/HV极化SAR图像。

• Functional Map of the World Challenge (IARPA, Dec 2017)
  63个类别（从太阳能农场到购物中心），1百万芯片，4/8波段卫星图像（0.3m分辨率），COCO数据格式，基线模型。

• EuroSAT (DFK, Aug 2017)
  10个土地覆盖类别（从工业到永久作物），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 (Planet, Jul 2017)
  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 (Louisiana State University, 2015)
  6个土地覆盖类别，400k 28x28像素芯片，4波段RGBNIR航空图像（1m分辨率），提取自2009年国家农业图像计划（NAIP）。

• UC Merced Land Use Dataset (UC Merced, Oct 2010)
  21个土地覆盖类别（从农业到停车场），每类100个芯片，航空图像（0.30m分辨率）。

其他/多任务

• DEEPGLOBE - 2018 Satellite Challange (CVPR, Apr 2018)
  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 (IEEE, -Mar 2018)
  通过融合三个数据源的20个土地覆盖类别：多光谱LiDAR、高光谱（1m）、RGB图像（0.05m分辨率）。

• TiSeLaC : Time Series Land Cover Classification Challenge (UMR TETIS, Jul 2017)
  土地覆盖时间序列分类（9个类别），Landsat-8（23张图像时间序列，10波段特征，30m分辨率），留尼汪岛。

• Multi-View Stereo 3D Mapping Challenge (IARPA, Nov 2016)
  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，0.2m激光雷达地面实况数据。

• Draper Satellite Image Chronology (Draper, Jun 2016)
  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

本数据集是一个关于卫星图像的综合性数据集列表，涵盖了从实例分割到对象检测、语义分割、图像分类等多个计算机视觉任务。各个数据集的构建主要依赖于卫星图像和航空摄影，并通过标注不同的地理信息或目标对象来满足不同研究的需求。例如，CanadianBuildingFootprints数据集是基于Bing图像使用ResNet34架构进行标注的，而Spacenet Challenge Round 4则利用了不同角度的WorldView 2图像进行建筑足迹的标注。

特点

该数据集的特点在于其多样性和广泛性，不仅包含了不同分辨率和来源的卫星图像，还涵盖了多种标注类型，如建筑物、船只、农作物等。数据集的标注质量普遍较高，很多数据集还提供了专业的评估工具和基准模型，有利于研究人员进行算法性能的评估和比较。此外，数据集不断更新，保证了其时效性和前沿性。

使用方法

用户可以根据自己的研究需求选择相应的数据集。使用时，需先了解数据集的许可协议，遵守相关使用规定。数据集通常以GeoJSON、COCO格式或其他标准图像标注格式提供，可以通过相应的数据处理框架直接加载。部分数据集还提供了在线访问接口或通过Kaggle等平台进行互动，方便用户进行数据探索和模型训练。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets 是一个旨在为计算机视觉和深度学习提供大量卫星图像数据集的资源列表。该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任务类型，包含了如加拿大建筑足迹、Spacenet 挑战赛、Airbus 船舶检测挑战等众多数据集。这些数据集的创建时间跨度较大，最早的如 UC Merced Land Use Dataset 可追溯至 2010 年，最近的如 BigEarthNet 则是 2019 年。数据集的构建主要由微软、CosmiQ Works、Radiant Solutions、NVIDIA、Airbus 等企业和研究机构推动，它们解决了从建筑足迹提取到海洋冰山分类等领域的核心问题，对相关领域产生了深远的影响。

当前挑战

该数据集构建和应用的挑战主要体现在以下几个方面：一是数据集的多样性和异质性带来的处理难度，例如不同数据集的图像分辨率、标注格式和任务类型各不相同；二是大规模数据集的存储、管理和计算资源的需求；三是标注质量的一致性和准确性保障；四是数据隐私和版权的问题；五是应对不断变化的领域问题和满足日益增长的应用需求。例如，Spacenet Challenge Round 4 - Off-nadir 需要处理不同角度拍摄的图像，增加了检测的难度。

常用场景

经典使用场景

在计算机视觉与深度学习领域，卫星影像数据集扮演着至关重要的角色。Awesome Satellite Imagery Datasets汇集了众多具有标注信息的卫星影像数据，其经典使用场景主要集中于地物分类、目标检测、语义分割等任务。例如，Spacenet挑战中的建筑物分割任务，利用高分辨率的卫星影像进行建筑足迹的精准标注，为城市规划与灾害响应提供了重要数据支撑。

解决学术问题

该数据集解决了学术研究中卫星影像数据分析的一系列问题，如如何在不同的视角和分辨率下准确识别地物、如何处理大规模卫星数据以进行有效学习等。通过提供多样化的标注和影像数据，研究者在建筑物检测、道路提取、农作物分类等方面取得了重要进展，推动了遥感领域的研究。

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，如基于Spacenet挑战的建筑物分割算法研究，以及利用EuroSAT数据集进行的土地覆盖分类研究。这些工作不仅推动了卫星影像解析技术的发展，也为相关领域的应用研究提供了理论基础和技术参考。