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的训练，涵盖实例分割、目标检测、语义分割、场景分类等多个类别。

This dataset encompasses multiple satellite image collections, designed for training in computer vision and deep learning. It covers a variety of categories including instance segmentation, object detection, semantic segmentation, and scene classification.

原始信息汇总

数据集概述

1. 实例分割

• RarePlanes: Synthetic Data Takes Flight

  • 数据类型：合成（630k飞机，50k图像）和真实（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
  • 来源：CosmiQ Works, A.I.Reverie, June 2020

• Agriculture-Vision Database & CVPR 2020 challenge

  • 数据类型：21k航空农田图像（RGB-NIR，美国，2019季节，512x512px芯片）
  • 应用：6种田间异常模式（云影，双植，播种机跳跃，积水，水道和杂草簇）的标签掩码
  • 来源：UIUC, Intelinair, CVPR, Jan 2020

• Spacenet Challenge Round 6 - Multi-Sensor All Weather Mapping

  • 数据类型：48k建筑足迹（增强3DBAG数据集，建筑高度属性），Capella Space SAR数据（0.5m分辨率，四种极化）和Worldview-3图像（0.3m分辨率）
  • 应用：荷兰鹿特丹的图像
  • 来源：CosmiQ Works, Capella Space, Maxar, AWS, Intel, Feb 2020

2. 对象检测

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

  • 数据类型：15类别的188k实例，Google Earth图像芯片
  • 应用：航空图像中的对象检测
  • 来源：Wuhan University, Jun 2019

• xView 2018 Detection Challenge

  • 数据类型：60类别的1百万实例，Worldview-3图像（0.3m分辨率）
  • 应用：对象检测
  • 来源：DIUx, Jul 2018

3. 语义分割

• 95-Cloud: A Cloud Segmentation Dataset

  • 数据类型：34701手动分割的384x384补丁，云掩码，Landsat 8图像（R,G,B,NIR; 30 m分辨率）
  • 应用：云分割
  • 来源：S. Mohajerani et. all, Jan 2020

• Open Cities AI Challenge

  • 数据类型：790k建筑足迹，航空图像（0.03-0.2m分辨率，RGB，11k 1024x1024芯片，COG格式）
  • 应用：非洲10个城市的建筑分割
  • 来源：GFDRR, Mar 2020

4. 场景分类

• BigEarthNet: Large-Scale Sentinel-2 Benchmark

  • 数据类型：基于CORINE Land Cover (CLC) 2018的多个土地覆盖标签，590,326芯片来自Sentinel-2 L2A场景
  • 应用：土地覆盖分类
  • 来源：TU Berlin, Jan 2019

• WiDS Datathon 2019 : Detection of Oil Palm Plantations

  • 数据类型：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
  • 来源：Global WiDS Team & West Big Data Innovation Hub, Jan 2019

5. 其他/多任务

• IEEE Data Fusion Contest 2020
  • 数据类型：基于SEN12MS数据集（见语义分割类别）的土地覆盖分类
  • 应用：低分辨率和高分辨率轨道
  • 来源：IEEE & TUM, Mar 2020

搜集汇总

数据集介绍

构建方式

Awesome Satellite Imagery Datasets 是一个专注于计算机视觉和深度学习的卫星图像数据集集合，涵盖了实例分割、目标检测、语义分割、场景分类等多个任务。该数据集的构建基于多个公开的卫星图像数据集，如RarePlanes、Agriculture-Vision、Spacenet等，每个数据集都经过精心筛选和标注，确保数据的多样性和高质量。数据来源包括Worldview-3、Sentinel-2等卫星图像，涵盖了全球多个地区的地理信息。

特点

该数据集的特点在于其广泛的覆盖范围和多样化的任务类型。数据集不仅包含了高分辨率的卫星图像，还提供了丰富的标注信息，如建筑物轮廓、农田异常模式、道路网络等。此外，数据集还包含了合成数据与真实数据的结合，如RarePlanes中的合成飞机数据与真实卫星图像的结合，进一步增强了数据的多样性和实用性。数据集还提供了多种格式的标注文件，如COCO格式、GeoJSON格式等，便于用户在不同任务中使用。

使用方法

用户可以通过GitHub页面访问Awesome Satellite Imagery Datasets，并根据具体任务选择相应的数据集。每个数据集都附带了详细的README文件，提供了数据下载链接、标注信息、基线模型和相关论文。用户可以根据需要下载数据，并使用提供的工具进行预处理和模型训练。数据集还支持多种深度学习框架，如TensorFlow、PyTorch等，用户可以直接使用预训练的基线模型进行迁移学习或微调。此外，数据集还提供了多个竞赛的链接，用户可以通过参与竞赛进一步验证和改进模型性能。

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图像数据集集合，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公司共同创建，最早的数据集可以追溯到2010年，如UC Merced Land Use Dataset。近年来，随着深度学习技术的快速发展，卫星图像数据的应用场景不断扩展，数据集的数量和规模也在迅速增长。例如，RarePlanes数据集（2020年）结合了合成数据和真实卫星图像，用于飞机检测和属性分析；Agriculture-Vision数据集（2020年）则专注于农业异常模式的分析。这些数据集为遥感图像分析、城市规划、灾害评估等领域提供了重要的数据支持，推动了相关领域的研究进展。

当前挑战

Awesome Satellite Imagery Datasets 面临的挑战主要体现在两个方面。首先，卫星图像数据的多样性和复杂性对算法的鲁棒性提出了更高要求。例如，不同传感器（如光学、SAR）获取的图像具有不同的分辨率和特性，如何有效地融合多源数据并提取有用信息是一个重要挑战。其次，数据集的构建过程中也存在诸多难题。例如，RarePlanes数据集在合成数据生成和真实数据标注过程中，需要确保数据的真实性和多样性；Agriculture-Vision数据集则需要在农业场景中准确识别复杂的异常模式，这对标注的精度和一致性提出了极高要求。此外，数据的地理分布、时间变化以及天气条件等因素也增加了数据采集和处理的难度。

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。例如，RarePlanes 数据集通过合成和真实的卫星图像，提供了大量的飞机标注数据，用于训练和评估实例分割模型。Agriculture-Vision 数据集则专注于农业模式分析，提供了21,000张农田图像，帮助研究人员识别农田中的异常模式，如云影、双植、积水等。

实际应用

在实际应用中，Awesome Satellite Imagery Datasets 数据集被广泛用于城市规划、农业监测、灾害响应等领域。例如，Microsoft BuildingFootprints 数据集提供了全球多个地区的建筑物轮廓数据，帮助城市规划者进行建筑物密度分析和基础设施规划。Agriculture-Vision 数据集则被用于农业监测，帮助农民识别农田中的异常模式，从而提高农作物产量和减少资源浪费。

衍生相关工作

该数据集衍生了许多经典的研究工作。例如，RarePlanes 数据集的研究成果被用于改进飞机检测和识别算法，相关论文发表在顶级计算机视觉会议上。Agriculture-Vision 数据集的研究成果则被用于开发农业模式分析工具，帮助农民更好地管理农田。此外，Spacenet Challenge 系列数据集的研究成果推动了多传感器数据融合和建筑物检测算法的发展，相关论文和开源工具在学术界和工业界得到了广泛应用。