DIOR

arXiv2019-09-22 更新2024-08-06 收录

下载链接：

http://arxiv.org/abs/1909.00133v2

下载链接

链接失效反馈

官方服务：

资源简介：

DIOR数据集是一个大规模、公开可用的光学遥感图像目标检测基准，包含23463张图像和192472个实例，涵盖20个目标类别。该数据集在目标类别、实例数量和总图像数量上都是大规模的，具有广泛的目标大小变化，不仅在空间分辨率上，还在对象的内部和外部类别大小变异性上。此外，图像在不同的成像条件、天气、季节和图像质量下获得，具有高度的内部类别相似性和内部类别多样性。

The DIOR dataset is a large-scale, publicly available benchmark for optical remote sensing image object detection. It contains 23,463 images and 192,472 instances, covering 20 distinct object categories. This dataset is large-scale across three core dimensions: the number of object categories, the total number of instances, and the total count of images. It exhibits extensive variations in target sizes, which stem not only from differences in spatial resolution across the images, but also from intra-class and inter-class size variabilities of the objects. Furthermore, the images are acquired under diverse imaging conditions, weather scenarios, seasons and image quality levels, and feature high intra-class similarity as well as rich intra-class diversity.

创建时间：

2019-08-31

搜集汇总

数据集介绍

构建方式

在光学遥感图像目标检测领域，现有数据集普遍存在规模有限、类别单一及图像多样性不足的局限。为应对这一挑战，DIOR数据集通过系统化的构建流程得以创立。其构建始于对现有遥感数据集中常见目标类别的梳理，结合学术文献检索，精选出20类具有实际应用价值的地理空间目标，涵盖飞机、机场、桥梁、船舶等。数据采集依托Google Earth平台，由地球观测领域的专家在全球超过80个国家的区域中，筛选出23463幅尺寸为800×800像素的遥感图像，空间分辨率介于0.5米至30米之间。所有目标实例均采用开源工具LabelMe进行人工标注，以水平边界框的形式精细标记了192472个目标，确保了标注的准确性与一致性。

特点

DIOR数据集展现出多维度显著特征，使其在遥感目标检测领域独树一帜。其规模宏大，涵盖20个目标类别、超过2.3万幅图像及19万余个实例，是目前该领域规模最大的公开数据集之一。数据集呈现出广泛的目标尺寸变异，不仅体现在空间分辨率的差异上，还包含了类间与类内尺寸的显著波动，如船舶与车辆的大小跨度极大。图像本身具有丰富的多样性，采集条件覆盖了不同天气、季节、成像质量及光照环境，从而引入了视角、平移、遮挡及背景复杂性等多重变化。此外，数据集精心设计了较高的类间相似性与类内多样性，例如桥梁与立交桥、田径场与体育场等类别在视觉上高度相似，而同一类别如烟囱则形态各异，这些特性共同构成了对检测算法鲁棒性与判别力的严峻考验。

使用方法

DIOR数据集为深度学习驱动的光学遥感图像目标检测研究提供了标准化的评估基准。数据集已按50%的比例随机划分为训练验证集（11725幅图像）和测试集（11738幅图像），其中训练验证集可进一步用于模型训练与超参数调优。研究者可利用该数据集训练各类目标检测模型，如基于区域提议的Faster R-CNN、Mask R-CNN，或基于回归的YOLO、SSD等，并评估其在不同目标类别上的性能。评估通常采用平均精度（AP）与均值平均精度（mAP）作为核心指标，其中检测结果与真实标注的边界框重叠率（IoU）阈值设定为50%。数据集支持对模型处理尺度变化、旋转不变性及复杂背景能力的深入分析，其提供的基线性能结果有助于推动新算法的研发与性能比较。

背景与挑战

背景概述

随着遥感技术的飞速发展，光学遥感图像的数量与质量显著提升，为地表各类目标的智能识别提供了丰富数据源。在此背景下，由西北工业大学、郑州测绘学院及慕尼黑工业大学等机构的研究人员于2018年共同创建的DIOR数据集应运而生，旨在解决光学遥感图像中目标检测领域长期存在的基准数据不足问题。该数据集包含23463幅图像与192472个实例，覆盖20类常见地理空间目标，其规模与多样性为深度学习模型提供了坚实的训练与验证基础，极大地推动了遥感图像解译与智能地球观测领域的研究进展。

当前挑战

DIOR数据集致力于应对光学遥感图像目标检测中的多重挑战。在领域问题层面，遥感图像中目标通常呈现显著的尺度变化、旋转多样性及复杂背景干扰，且目标类间相似性高、类内差异大，例如桥梁与立交桥的视觉特征极易混淆，这要求检测模型具备强大的特征判别与泛化能力。在构建过程中，研究团队面临数据采集与标注的艰巨任务，需在全球范围内筛选涵盖不同天气、季节与成像条件的图像，并克服目标尺寸跨度大、空间分辨率不一以及标注一致性保障等难题，以确保数据集的代表性与可靠性。

常用场景

经典使用场景

在光学遥感图像领域，DIOR数据集作为一项大规模、多类别的目标检测基准，其经典应用场景集中于评估和验证深度学习模型在复杂地理环境下的性能表现。该数据集涵盖20类常见地理空间目标，如图像中的飞机、船舶、桥梁等，通过提供超过2.3万张图像和19万余个标注实例，为研究者构建了一个具有高度多样性和挑战性的测试平台。在经典使用中，DIOR常被用于训练和比较各类先进目标检测算法，如Faster R-CNN、YOLO系列及RetinaNet等，以探索模型在遥感图像中应对尺度变化、旋转差异及背景干扰的能力。

衍生相关工作

DIOR数据集的发布催生了众多经典衍生研究工作，显著推动了遥感图像目标检测算法的演进。基于DIOR，研究者提出了多种改进模型，如结合旋转不变性的RIFD-CNN、引入多角度锚框的RICAOD，以及适应遥感特性的FPN增强版本。这些工作不仅验证了DIOR在算法评估中的有效性，还进一步探索了针对尺度变化、类间相似性等挑战的解决方案。此外，DIOR常被用作基准测试平台，促进了如CornerNet、PANet等先进检测框架在遥感领域的适配与优化，形成了一系列具有影响力的学术成果，持续丰富该领域的技术生态。

数据集最近研究