Awesome-Satellite-Imagery-Datasets

一个遥感相关的开源数据集，包含语义分割、目标提取、变化检测等。具体包括WHU建筑数据集、马萨诸塞州建筑数据集、ISPRS Vaihingen和Potsdam数据集、Inria航空图像标注数据集等。

An open-source remote sensing dataset encompassing multiple tasks including semantic segmentation, object extraction and change detection. Specifically, it includes the WHU Building Dataset, Massachusetts Building Dataset, ISPRS Vaihingen and Potsdam Datasets, Inria Aerial Image Labeling Dataset, and other related datasets.

原始信息汇总

Awesome-Satellite-imagery-datasets 数据集概述

1. 语义分割数据集

建筑物提取数据集

• WHU Building Dataset

  • Aerial imagery dataset: 新西兰基督城航拍图像，0.075米分辨率，覆盖450平方公里，含220,000+建筑物
  • Satellite dataset I: 全球城市卫星图像（QuickBird/Worldview等），204张512×512图像，分辨率0.3-2.5米
  • Satellite dataset II: 东亚地区6张卫星图像，0.45米分辨率，覆盖860平方公里，含34,085建筑物
  • Building change detection: 2012/2016年航拍图像对比，覆盖20.5平方公里
  • 下载地址: http://gpcv.whu.edu.cn/data/building_dataset.html

• Massachusetts building dataset

  • 151张波士顿航拍图像（1500×1500像素），覆盖340平方公里
  • 数据划分：137训练/10测试/4验证
  • 下载地址:
    • https://www.kaggle.com/datasets/balraj98/massachusetts-buildings-dataset
    • https://tianchi.aliyun.com/dataset/93425

• ISPRS Vaihingen

  • 33幅遥感图像+DSM，9厘米分辨率
  • 类别：不透水面/建筑物/植被/树木/汽车/背景
  • 下载地址: https://aistudio.baidu.com/datasetdetail/245379

• ISPRS Potsdam

  • 38幅6000×6000像素图像，5厘米分辨率
  • 下载地址: https://aistudio.baidu.com/datasetdetail/145287

• Inria Aerial Image Labeling Dataset

  • 覆盖810平方公里（训练/测试各405平方公里），0.3米分辨率
  • 覆盖全球10个城市类型
  • 下载地址: https://aistudio.baidu.com/datasetdetail/126725

2. 道路提取数据集

• Global_Scale (Road) CVPR2025

  • 覆盖13,800 km²，3,468张2048×2048图像，1米/像素
  • 数据来源：Google Earth + OpenStreetMap
  • 原文: https://arxiv.org/pdf/2411.16733
  • GitHub: https://github.com/earth-insights/samroadplus

• Massachusetts Roads Dataset

  • 1,171张1500×1500航拍图像，覆盖2,600+平方公里
  • 数据划分：1,108训练/14验证/49测试
  • 下载地址: https://www.kaggle.com/datasets/balraj98/massachusetts-roads-dataset

• CHN6-CUG-Roads-Dataset

  • 中国6城市数据，4,511张512×512图像，50厘米/像素
  • 数据划分：3,608训练/903测试
  • GitHub: https://github.com/CUG-URS/CHN6-CUG-Roads-Dataset

• RoadNet

  • 加拿大渥太华城区数据，0.21米分辨率
  • 下载地址:
    • 百度云: https://pan.baidu.com/s/1l9RZvyYfLgTOx_k4LQRyhQ
    • Google Drive: https://drive.google.com/open?id=1GDHy7uwgOswuCDC49OamlNkAxjaITPBI

3. 多类别数据集

• LoveDA

  • 中国三城市数据，5,987张1024×1024图像（0.3米分辨率）
  • 类别：建筑物/道路/水域/荒地/森林/农田/背景
  • 下载地址: https://zenodo.org/records/5706578
  • GitHub: https://github.com/Junjue-Wang/LoveDA

• landcover.ai

  • 波兰航空影像，25-50厘米分辨率
  • 类别：建筑物/林地/水域/道路
  • 下载地址: https://www.kaggle.com/datasets/adrianboguszewski/landcoverai

搜集汇总

数据集介绍

构建方式

Awesome-Satellite-Imagery-Datasets 数据集的构建基于多源遥感影像数据，涵盖了全球多个城市和地区的航拍及卫星图像。数据集通过多种传感器（如 QuickBird、Worldview 系列、IKONOS 等）获取高分辨率影像，并结合手动标注和自动化处理技术生成建筑物、道路等目标的矢量地图。数据集的构建过程包括影像采集、预处理、裁剪、标注以及数据分割等步骤，确保了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，涵盖了从城市到农村的多种地形和建筑风格。数据集不仅包含建筑物和道路的语义分割数据，还提供了变化检测和多类别分类任务的支持。影像分辨率从 0.075 米到 2.5 米不等，确保了数据的多样性和适用性。此外，数据集还提供了丰富的标注信息，包括建筑物轮廓、道路中心线等，为深度学习模型的训练和评估提供了坚实的基础。

使用方法

Awesome-Satellite-Imagery-Datasets 的使用方法主要包括数据下载、预处理和模型训练。用户可以通过提供的链接下载不同子数据集，并根据任务需求进行数据预处理，如图像裁剪、归一化等。数据集适用于多种计算机视觉任务，如语义分割、目标检测和变化检测。用户可以使用深度学习框架（如 TensorFlow、PyTorch）加载数据并进行模型训练和评估。数据集的丰富标注信息使得其在建筑物提取、道路识别等任务中表现出色，适用于遥感影像分析领域的研究和应用。

背景与挑战

背景概述

Awesome-Satellite-Imagery-Datasets是一个专注于遥感影像的开源数据集，涵盖了语义分割、目标提取和变化检测等多个任务。该数据集由多个子数据集组成，包括WHU建筑数据集、Massachusetts建筑数据集、ISPRS Vaihingen和Potsdam数据集等，涵盖了从航拍到卫星影像的多种数据来源。这些数据集由武汉大学、麻省理工学院等知名机构创建，旨在为遥感影像分析提供高质量的训练和测试数据。自发布以来，该数据集在遥感影像处理领域产生了广泛影响，推动了建筑物提取、道路检测和土地覆盖分类等任务的技术进步。

当前挑战

Awesome-Satellite-Imagery-Datasets在解决遥感影像分析问题时面临多重挑战。首先，遥感影像的多样性和复杂性使得数据标注和预处理变得极为困难，尤其是在建筑物提取和道路检测任务中，不同分辨率、传感器类型和地理条件对算法的鲁棒性提出了极高要求。其次，数据集的构建过程中，手动标注大量高分辨率影像耗时耗力，且需要高度专业的地理信息知识。此外，遥感影像的季节性变化、大气条件和光照差异进一步增加了数据处理的难度。尽管该数据集为相关研究提供了丰富资源，但其规模和质量仍需进一步提升，以应对日益复杂的遥感分析需求。

常用场景

经典使用场景

Awesome-Satellite-Imagery-Datasets数据集在遥感影像分析领域具有广泛的应用，尤其是在建筑物提取、道路检测和土地覆盖分类等任务中。该数据集通过提供高分辨率的航拍和卫星影像，支持深度学习模型在语义分割和目标检测中的训练与验证。例如，WHU建筑物数据集和Massachusetts建筑物数据集被广泛用于建筑物轮廓的精确提取，而Global_Scale道路数据集则用于全球范围内的道路网络分析。

实际应用

在实际应用中，Awesome-Satellite-Imagery-Datasets数据集为城市规划、灾害监测和环境保护等领域提供了重要的数据支持。例如，建筑物提取数据可用于城市扩张监测和基础设施规划，道路检测数据则有助于交通网络优化和智能导航系统的开发。此外，土地覆盖分类数据为生态保护和农业管理提供了基础信息，帮助决策者更好地理解土地利用变化及其环境影响。

衍生相关工作

基于Awesome-Satellite-Imagery-Datasets数据集，研究人员开发了多种先进的深度学习模型和算法。例如，WHU建筑物数据集被用于训练U-Net和DeepLab等语义分割模型，显著提高了建筑物提取的精度。Global_Scale道路数据集则催生了基于Transformer的道路检测方法，进一步提升了道路网络的自动化提取能力。此外，LoveDA数据集推动了多类别语义分割技术的发展，为遥感影像的精细分类提供了新的解决方案。