Awesome Satellite Imagery Datasets

包含多个带有注释的卫星图像数据集，用于计算机视觉和深度学习。数据集涵盖实例分割、目标检测、语义分割、芯片分类等多个类别。

This dataset comprises multiple annotated satellite imagery collections, designed for applications in computer vision and deep learning. It encompasses a variety of categories including instance segmentation, object detection, semantic segmentation, and chip classification.

原始信息汇总

数据集概述

实例分割

1. Spacenet Challenge Round 4 - Off-nadir

   • 数据提供者：CosmiQ Works, DigitalGlobe, Radiant Solutions, AWS
   • 发布时间：Dec 2018
   • 数据内容：126k building footprints (Atlanta), 27 WorldView 2 images (0.3m res.)
   • 特点：图像从7-54度偏离天底角，通过双三次重采样保持像素数一致。

2. Airbus Ship Detection Challenge

   • 数据提供者：Airbus
   • 发布时间：Nov 2018
   • 数据内容：131k ships, 104k train / 88k test image chips, satellite imagery (1.5m res.)
   • 特点：使用运行长度编码格式的栅格掩码标签。

3. Open AI Challenge: Tanzania

   • 数据提供者：WeRobotics & Worldbank
   • 发布时间：Nov 2018
   • 数据内容：Building footprints & 3 building conditions, RGB UAV imagery
   • 特点：使用RGB无人机图像。

4. Netherlands LPIS agricultural field boundaries

   • 数据提供者：Netherlands Department for Economic Affairs
   • 数据内容：294 crop/vegetation categories, 780k parcels
   • 特点：2009-2018年每年的数据集。

5. Denmark LPIS agricultural field boundaries

   • 数据提供者：Denmark Department for Agriculture
   • 数据内容：293 crop/vegetation categories, 600k parcels
   • 特点：2008-2018年每年的数据集。

6. CrowdAI Mapping Challenge

   • 数据提供者：Humanity & Inclusion NGO
   • 发布时间：May 2018
   • 数据内容：Buildings footprints, RGB satellite imagery
   • 特点：使用COCO数据格式。

7. Spacenet Challenge Round 2 - Buildings

   • 数据提供者：CosmiQ Works, Radiant Solutions, NVIDIA
   • 发布时间：May 2017
   • 数据内容：685k building footprints, 3/8band Worldview-3 imagery (0.3m res.)
   • 特点：包含5个城市。

8. Spacenet Challenge Round 1 - Buildings

   • 数据提供者：CosmiQ Works, Radiant Solutions, NVIDIA
   • 发布时间：Jan 2017
   • 数据内容：Building footprints (Rio de Janeiro), 3/8band Worldview-3 imagery (0.5m res.)
   • 特点：使用SpaceNet Challenge Asset Library。

目标检测

1. DOTA: Large-scale Dataset for Object Detection in Aerial Images

   • 数据提供者：Wuhan University et al.
   • 数据内容：15 categories, 188k instances
   • 特点：使用Google Earth图像芯片，提供Faster-RCNN基准模型。

2. xView 2018 Detection Challenge

   • 数据提供者：DIUx
   • 发布时间：Jul 2018
   • 数据内容：60 categories, 1 million instances, Worldview-3 imagery (0.3m res.)
   • 特点：使用COCO数据格式，提供预训练的Tensorflow和Pytorch基准模型。

3. Open AI Challenge: Aerial Imagery of South Pacific Islands

   • 数据提供者：WeRobotics & Worldbank
   • 发布时间：May 2018
   • 数据内容：Tree position & 4 tree species, RGB UAV imagery (0.4m/0.8m res.)
   • 特点：在汤加的多个AOI中使用。

4. NIST DSE Plant Identification with NEON Remote Sensing Data

   • 数据提供者：inria.fr
   • 发布时间：Oct 2017
   • 数据内容：Tree position, tree species and crown parameters, hyperspectral (1m res.) & RGB imagery (0.25m res.)
   • 特点：使用LiDAR点云和冠层高度模型。

5. NOAA Fisheries Steller Sea Lion Population Count

   • 数据提供者：NOAA
   • 发布时间：Jun 2017
   • 数据内容：5 sea lion categories, ~ 80k instances, ~ 1k aerial images
   • 特点：使用Kaggle内核。

6. Spacenet Rio De Janeiro Points of Interest Dataset

   • 数据提供者：CosmiQ Works, Radiant Solutions
   • 发布时间：Jan 2017
   • 数据内容：460 categories, 120k points (11k manually confirmed), 3/8band Worldview-3 imagery (0.5m res.)
   • 特点：使用SpaceNet Challenge Asset Library。

7. Cars Overhead With Context (COWC)

   • 数据提供者：Lawrence Livermore National Laboratory
   • 数据内容：32k car bounding boxes, aerial imagery (0.15m res.)
   • 特点：包含6个城市。

语义分割

1. Agricultural Crop Cover Classification Challenge

   • 数据提供者：CrowdANALYTIX
   • 发布时间：Jul 2018
   • 数据内容：2 main categories corn and soybeans, Landsat 8 imagery (30m res.)
   • 特点：使用USDA Cropland Data Layer作为地面实况。

2. Spacenet Challenge Round 3 - Roads

   • 数据提供者：CosmiQ Works, Radiant Solutions
   • 发布时间：Feb 2018
   • 数据内容：8000 km of roads in 5 city aois, 3/8band Worldview-3 imagery (0.3m res.)
   • 特点：使用SpaceNet Challenge Asset Library。

3. Urban 3D Challenge

   • 数据提供者：USSOCOM
   • 发布时间：Dec 2017
   • 数据内容：157k building footprint masks, RGB orthophotos (0.5m res.), DSM/DTM
   • 特点：包含3个城市，使用SpaceNet Challenge Asset Library。

4. DSTL Satellite Imagery Feature Detection Challenge

   • 数据提供者：Dstl
   • 发布时间：Feb 2017
   • 数据内容：10 land cover categories, 57 1x1km images, 3/16-band Worldview 3 imagery (0.3m-7.5m res.)
   • 特点：使用Kaggle内核。

5. Inria Aerial Image Labeling

   • 数据提供者：inria
   • 数据内容：Building footprint masks, RGB aerial imagery (0.3m res.)
   • 特点：包含5个城市。

6. ISPRS Potsdam 2D Semantic Labeling Contest

   • 数据提供者：ISPRS
   • 数据内容：6 urban land cover classes, raster mask labels, 4-band RGB-IR aerial imagery (0.05m res.) & DSM
   • 特点：包含38个图像补丁。

芯片分类（图像识别）

1. Alibaba Cloud German AI Challenge 2019

   • 数据提供者：StepStone, DLR, Alibaba Cloud, Tianchi
   • 发布时间：Jan 2018
   • 数据内容：Local climate zone classification, 17 categories, 400k 32x32 pixel chips
   • 特点：覆盖42个城市，使用Sentinel 2 & Sentinel 1（均为10m分辨率）。

2. Statoil/C-CORE Iceberg Classifier Challenge

   • 数据提供者：Statoil/C-CORE
   • 发布时间：Jan 2018
   • 数据内容：2 categories ship and iceberg, 2-band HH/HV polarization SAR imagery
   • 特点：使用Kaggle内核。

3. Functional Map of the World Challenge

   • 数据提供者：IARPA
   • 发布时间：Dec 2017
   • 数据内容：63 categories, 1 million chips, 4/8 band satellite imagery (0.3m res.)
   • 特点：使用COCO数据格式，提供基准模型。

4. EuroSAT

   • 数据提供者：DFK
   • 发布时间：Aug 2017
   • 数据内容：10 land cover categories, 27k 64x64 pixel chips, 3/16 band Sentinel-2 satellite imagery (10m res.)
   • 特点：覆盖30个国家的城市。

5. Planet: Understanding the Amazon from Space

   • 数据提供者：Planet
   • 发布时间：Jul 2017
   • 数据内容：13 land cover categories + 4 cloud condition categories, 4-band (RGB-NIR) satellite imagery (5m res.)
   • 特点：亚马逊雨林，使用Kaggle内核。

6. Deepsat: SAT-4/SAT-6 airborne datasets

   • 数据提供者：Louisiana State University
   • 发布时间：2015
   • 数据内容：6 land cover categories, 400k 28x28 pixel chips, 4-band RGBNIR aerial imagery (1m res.)
   • 特点：从2009年国家农业影像计划（NAIP）提取。

7. UC Merced Land Use Dataset

   • 数据提供者：UC Merced
   • 发布时间：Oct 2010
   • 数据内容：21 land cover categories, 100 chips per class, aerial imagery (0.30m res.)
   • 特点：包含农业到停车场的21个土地覆盖类别。

其他焦点/多任务

1. DEEPGLOBE - 2018 Satellite Challange

   • 数据提供者：CVPR
   • 发布时间：Apr 2018
   • 数据内容：Three challenge tracks: Road Extraction, Building Detection, Land cover classification
   • 特点：提供道路提取、建筑检测和土地覆盖分类三个挑战赛道。

2. IEEE Data Fusion Contest 2018

   • 数据提供者：IEEE
   • 发布时间：-Mar 2018
   • 数据内容：20 land cover categories by fusing data three sources: Multispectral LiDAR, Hyperspectral (1m), RGB imagery (0.05m res.)
   • 特点：通过融合三种数据源来分类20个土地覆盖类别。

3. TiSeLaC : Time Series Land Cover Classification Challenge

   • 数据提供者：UMR TETIS
   • 发布时间：Jul 2017
   • 数据内容：Land cover time series classification (9 categories), Landsat-8 (23 images time series, 10 band features, 30m res.)
   • 特点：使用Landsat-8的时间序列图像，覆盖留尼汪岛。

4. Multi-View Stereo 3D Mapping Challenge

   • 数据提供者：IARPA
   • 发布时间：Nov 2016
   • 数据内容：Develop a Multi-View Stereo (MVS) 3D mapping algorithm that can convert high-resolution Worldview-3 satellite images to 3D point clouds
   • 特点：使用0.2m lidar地面实况数据。

5. Draper Satellite Image Chronology

   • 数据提供者：Draper
   • 发布时间：Jun 2016
   • 数据内容：Predict the chronological order of images taken at the same locations over 5 days
   • 特点：使用Kaggle内核。

搜集汇总

数据集介绍

构建方式

Awesome Satellite Imagery Datasets 数据集涵盖了计算机视觉和深度学习领域所需的多种卫星图像数据，包括实例分割、目标检测、语义分割、图像块分类等多个类别。该数据集的构建主要依赖于多个来源的卫星图像和对应的标注信息，通过对不同来源和不同类型的图像进行整合、预处理和标注，构建成了一个全面、多元的卫星图像数据集。

使用方法

使用该数据集时，用户可以根据自己的需求选择不同类别的图像。数据集以列表形式提供，最新的数据位于列表顶部。用户可以直接访问数据集的链接，或者根据提供的atom feed下载链接进行下载。数据集支持多种使用方式，既可以用于学术研究，也可以用于商业应用，但部分数据集可能有特定的使用限制。

背景与挑战

背景概述

Awesome Satellite Imagery Datasets是一个汇集了计算机视觉和深度学习领域所需的多种卫星图像数据集的列表。该数据集由多个组织和研究人员创建，最早的数据集可以追溯到2010年，其中包括了CosmiQ Works、Radiant Solutions、NVIDIA、Airbus等知名机构。这些数据集覆盖了从建筑物足迹、船只检测、农作物分类到土地覆盖分类等多个领域，对卫星图像分析和理解的研究具有重要的影响力。

当前挑战

该数据集在构建过程中遇到的挑战主要包括：1)如何处理不同角度、分辨率和质量的卫星图像数据，以保证数据的一致性和可用性；2)如何标注大规模的图像数据，确保标注的准确性和一致性；3)在解决领域问题时，如何设计有效的算法来处理诸如图像分类、目标检测、语义分割等任务。此外，随着卫星图像的应用领域不断扩展，如何更新和维护这些数据集，以及如何将最新的技术应用于现有数据集，也是当前面临的挑战。

常用场景

经典使用场景

Awesome Satellite Imagery Datasets汇集了计算机视觉和深度学习领域中的众多卫星图像数据集，其经典使用场景主要集中在卫星图像的实例分割、目标检测、语义分割、图像块分类等多个方面。例如，Spacenet Challenge Round 4 - Off-nadir数据集可用于评估模型在处理不同角度拍摄图像时的性能，而Airbus Ship Detection Challenge则专注于船舶检测任务，这些场景均体现了该数据集在实际应用中的多样性和广泛性。

解决学术问题

该数据集解决了卫星图像处理中的多个学术研究问题，如多角度卫星图像的分割、小目标检测、动态变化的土地覆盖分类等。它为研究人员提供了丰富的标注数据，有助于提升模型的泛化能力和准确度，为遥感领域的学术研究提供了坚实基础。

实际应用

在实际应用中，此类数据集可用于农业监测、城市规划、灾害评估等多个领域。例如，通过分析NOAA Fisheries Steller Sea Lion Population Count数据集，可以实现对海狮种群的监测与管理；而DOTA数据集则可以用于军事和民用领域的目标识别与跟踪。

数据集最近研究

最新研究方向

在卫星图像数据集领域，近期研究集中于多任务学习、高分辨率图像处理、以及地物分类与检测的精确度提升。例如，Spacenet Challenge系列数据集推动了建筑物提取、道路识别等任务的深入研究。同时，DOTA数据集等对大规模空中目标检测进行了探索。此外，随着卫星图像分辨率的提高，对图像的语义分割研究也日益增多，如Agricultural Crop Cover Classification Challenge等。这些研究不仅对灾害响应、城市规划等应用场景具有重要影响，也对卫星图像分析的算法发展起到了推动作用。