遙感影像中常用的目標檢測數據集

2023年12月9日發(作者：投資自己)

-

遙感影像中常用的目標檢測數據集

遙感影像中常用的目標檢測數據集

搜集整理了遙感中常用的目標檢測數據集，方便自己也方便大家用。

A Large-scale Datat for Object Detection in Aerial Images。2806張遙感圖像（大小約4000*4000），188,282個instances，

分為15個類別:飛機、船只、儲蓄罐、棒球場、網球場、籃球場、田徑場、海港、橋、大型車輛、小型車輛、直升飛機、英式足球場、環形

路線、游泳池。每個實例都由一個四邊形邊界框標注，頂點按順時針順序排列。。

更新：DOTA-v1.5在16個類別中包含40萬個帶注釋的對象實例，這是DOTA-v1.0的更新版本。 它們都使用相同的航拍圖像，但是

DOTA-v1.5修改并更新了對象的注釋，其中在DOTA-v1.0中缺少了許多大約10個像素以下的小對象實例，并對其進行了附加注釋。

DOTA-v1.5的類別也得到了擴展。 具體地，增加了集裝箱起重機的類別。

提取碼：RSAI

-AOD

Datat of Object Detection in Aerial Images，國科大模式識別實驗室標注的，只包含兩類目標：汽車，飛機，以及背景負樣本。

提取碼：RSAI

3. NWPU VHR-10

西北工業大學標注的航天遙感目標檢測數據集，共有800張圖像，其中包含目標的650張，背景圖像150張，目標包括：飛機、艦船、油

罐、棒球場、網球場、籃球場、田徑場、港口、橋梁、車輛10個類別。開放下載，大概73M。

提取碼：RSAI．DOTA

4. RSOD-Datat

武漢大學團隊標注，包含飛機、操場、立交橋、 油桶四類目標，數目分別為：

飛機：4993 aircrafts in 446 images.

操場：191 playgrounds in 189 images.

立交橋：180 overpass in 176 overpass.

油桶：1586 oiltanks in 165 images.

提取碼：RSAI

5. TGRS-HRRSD-Datat

提取碼：RSAI

6. TAS

提取碼：RSAI

7. DIOR

西工大韓軍偉課題組提出了一種用于光學遙感圖像中目標檢測的大規模基準數據集“DIOR”，由23463幅圖像和190288個目標實例組

成，并對近年來基于深度學習的目標檢測方法進行了綜述。目標類別如下圖。大小800 * 800，分辨率0.5m到30m。包括不同季節、不同

天氣。位置增強。來源Google Earth。

文章為：Ke Li, Gang Wan, Gong Cheng, Liqiu Meng, Junwei Han. Object Detection in Optical Remote Sensing Images: A

Survey and A New Benchmark.

提取碼：RSAI

8. xView

美國國防部的國防創新部門實驗室（DIUx）、DigitalGlobe還有美國國家地理空間情報局的研究人員發布了xView。這是一個數據集和其相

關的競賽，用于評估人工智能方法對高空衛星圖像進行分類的能力。xView包含60個類別的100萬個不同對象，分布在1,400平方公里的

衛星圖像上，最大地面樣本分辨率為0.3米。該數據集旨在測試圖像識別的各個領域，包括：學習效率，細粒度類別檢測和多尺度識別等。

7個大類60個小類(None表示無大類)，共約1.000,000個目標Fixed-Wing Aircraftsmall aircraftcargo planePasnger Vehiclesmall carbusBuildinghut/tentshedaircraft hangardamaged buildingfacilityTruckpickup truckutility truckcargo trucktruck w/boxtruck tractor trailertruck w/flatbedtruck w/liquidRailway Vehiclepasnger carcargo carflat cartank carlocomotiveMaritime Veslmotoboatsailboattugboatbargefishing veslferryyachtcontainer shipoil tankerEngineering Vesltower cranecontainer cranereach stackerstraddle carriermobile cranedump truckhaul truckscraper/tractorfront loaderexcavatorcement mixerground gradercrane truckNonehelipadpylonshipping containershipping container lotstorage trankvehicle lotconstruction sitetower structure

提取碼：RSAI

9. HRSC2016

遙感艦船公開數據集所有圖像均來自六個著名的港口。分辨率從2米到0.4米不等，圖像大小從300

300到1500

900不等，大部分比

1000*600大。含有3個級別任務(分別為單類class、4類category和19類type艦船檢測識別)訓練，驗證和測試集分別包含436個圖像

（包括1207個樣本），181個圖像（包括541個樣本）和444個圖像（包括1228個樣本）。

提取碼：RSAI

3大類27小類，共2,976個目標

aircraft carrier

Nimitz class aircraft carrier

Enterpri class aircraft carrier

Kitty Hawk class aircraft carrier

Admiral Kuznetsov aircraft carrier

Ford-class aircraft carriers

Midway-class aircraft carrier

Invincible-class aircraft carrier

warcraft

Arleigh Burke class destroyers

WhidbeyIsland class landing craft

Perry class frigate

Sanantonio class amphibious transport dock

Ticonderoga class cruirAbukuma-class destroyer escortAusten class amphibious transport dockTarawa-class amphibious assault shipUSS Blue Ridge (LCC-19)Command ship AWarcraft AMedical shipmerchant shipContainer shipCar carrier AHovercraftyachtContainer ship ACrui shipCar carrier EDAI是一個用于航空圖像車輛檢測的數據集，可作為基準測試無約束環境下自動目標識別算法的工具。數據庫中包含的車輛，除了體積

小，還表現出不同的變化，如多方向、燈光/陰影變化、反射或閉塞。此外，每幅圖像都有幾個光譜波段和分辨率。同時給出了一套精確的

實驗方案，保證了不同人的實驗結果能夠得到正確的再現和比較。我們還給出了一些基線算法在該數據集上的性能，這些算法的不同設置，

以說明任務的困難，并提供基線比較。

9類，共3640個目標

plane

boat

camping car

car

pick-up

tractor

truk

van

other

下載地址：/vedai/

提取碼：RSAI

Overhead With Context(COWC)

Cars Overhead With Context (COWC) 數據集是一個大型的、來自架空的帶注釋的汽車集。這對訓練一個像深度網絡這樣的設備來學習

檢測和/或計數汽車。

數據集具有以下屬性：

（1）地面上每像素分辨率為15厘米的高空數據（所有數據均為EO）。

（2）來自六個不同地點的數據：加拿大多倫多，新西蘭塞爾溫，德國波茨坦和瓦伊辛根，美國哥倫布和猶他州。（3）32716輛有獨特注釋的車。58247個獨特的反面例子。

（4）故意選取硬性反面例子。

（5）建立檢測計數任務基線。

（6）驗證后使用的額外測試場景。

這些圖像是從一個飛機平臺上拍攝的，該平臺在荷蘭恩斯赫德上空飛行 (sragboomen Peeters，2017)。這些圖像是在最低點視圖和傾斜

視圖中拍攝的。斜視的傾斜角度為45度。Thenadir圖像的地面采樣距離 (GSD) 為10cm。135imageswth 23543輛車輛用于訓練，其余

38幅圖像5545輛用于測試。使用boundingbox手動注釋數據集中的每個車輛，該boundingbox表示為 (x，y，w，h）其中 (x，y) 是盒

子左上方角落的配合物，以及 (w，h) 分別為是盒子的相對寬度和高度。

提取碼：RSAI

RShip

OpenSAR是由上海交通大學高級傳感技術中心（AST）開發的開放式SAR圖像管理和處理平臺，用于SAR圖像的讀取，處理，可視化和算

法測試。SAR圖像管理和算法測試是OpenSAR的主要任務。

OpenSAR支持導入各種SAR數據源，例如TerraSAR-X，RADARSAT 1/2，COSMO-SkyMed等。用戶可以通過該平臺搜索和查看

SAR圖像數據。OpenSAR支持注冊各種算法，例如圖像去噪，場景分類，目標檢測，目標識別，變化檢測等。用戶可以通過該平臺搜索，

配置和執行這些算法，并且完整的測試報告也將提供給用戶。

3K Vehicle

提取碼：RSAI

‐INRIA

提取碼：RSAI

在數據集SSDD中，一共有1160個圖像和2456個艦船，平均每個圖像有2.12個艦船，數據集后續會繼續擴充。相比于具有20類目標的

PASCAL VOC數據集，SSDD雖然圖片少，但是類別只有艦船這一種，因此它足以訓練檢測模型。

提取碼：RSAI

+

SSDD+的數據集相對于SSDD數據將垂直邊框變成了旋轉邊框，旋轉邊框可在完成檢測任務的同時實現了對目標的方向估計。

-SARShip-1.0

提取碼：-ship-Datat

提取碼：RSAI

提取碼：RSAI

MSTAR數據庫作為SAR圖像自動目標識別（SAR ATR）研究的一個通用庫，被很多學者廣泛采用。從現有的SAR ATR系統處理流程來

看，目標檢測作為該系統的前端，很大程度上影響系統后續識別性能，在較好的檢測性能下獲得的目標區域可以直接進行分類識別，避免了

鑒別階段進一步減少虛警目標。目標識別作為該系統的后端處理部分，是整個系統的重點也是難點。

下載地址：

提取碼：RSAI

ne2019-DET

10 類，共54200個目標prdestrian提取碼：RSAIshipshipdetailmulticosat&-ship-detection提取碼：

提取碼：RSAI

Challenge

目標是對航空影像數據中發現的不同對象進行分類。該分類包括主要類別的粗粒度分類（例如，大型車輛）和子類別和獨特特征的精細粒度

分類（例如，具有天窗的汽車）。

數據集包括從不同地理位置，不同時間，分辨率，區域覆蓋范圍和圖像采集條件（天氣，太陽方向，相機方向等）拍攝的航空影像。圖像分

辨率在5cm至15cm GSD（地面采樣距離）之間變化。

小型車

子類-轎車，掀背車，小型貨車，貨車，皮卡車，吉普車，公共車輛。

特征-天窗，行李架，開放式貨運區域，封閉式駕駛室，撞毀，備用輪胎。

顏色-黃色，紅色，藍色，黑色，銀色/灰色，白色，其他。

大型車輛

子類-卡車，輕型卡車，水泥攪拌車，專用農用車，起重機，原動機，油輪，公共汽車，小巴。

特點-敞開的貨物區域，交流通風口，撞毀的，封閉的箱子，封閉的駕駛室，梯子，平板車，軟殼箱，利用推車固定。

5類，共1800個目標

car

pick-up

truck

van

unknown

提取碼：RSAI

Datat提取碼：onal Map of the World 提取碼：I Mapping Challenge下載地址：

提取碼：RSAI

-------------2021年02月02日更新-----------------------

34.航拍著火點

35.航拍楊梅樹

楊梅樹[Myrica rubra (Lour.) S. et Zucc]是一種常綠喬木，樹高5-15 m，胸徑可達60 cm，樹冠可達5 m以上。楊梅樹廣泛分布在我國

江南地區，生長于海拔1500 m以下酸性紅壤、山坡向陽的地理環境中。楊梅果是具有江南地理特色的水果。作者于2019年1月23日-24

日選擇浙江省永嘉縣大洋山森林公園作為試驗區，采用大疆Phantom4無人機進行航拍，在此基礎上對楊梅樹樹冠進行多邊形標記，即采用

Mask RCNN（Region Convolutional Neural Networks）深度學習模型對楊梅樹進行自動識別，對識別結果運用目視解譯方法驗證。結

果表明，Mask RCNN在楊梅樹識別方面有較高精度，總體檢出率達90.08%，錯檢率為9.62%，漏檢率為9.92%。楊梅樹識別深度學習模

型實驗數據集包括：（1）楊梅樹實驗樣區(浙江省永嘉縣大洋山森林公園) 照片3080張，每張照片像素尺寸為5472 x 3648；（2）楊梅

樹樹冠樣本標記數據（298張）；（3）楊梅樹深度學習模型識別結果數據。該數據集以.jpg、.json格式存儲，由3690個數據文件組成，

數據量為25.6 GB（壓縮為71個文件，25.5 GB）。

36.多類型飛機檢測（WH）

-------------2021年02月20日更新-----------------------

anes

_DatatERA（航拍視頻中的事件識別），由2,864個視頻組成，每個視頻都有來自25個不同類別的標簽，對應于展開5秒的事件。 ERA數據集旨

在具有顯著的類內差異和類間相似性，并捕獲不同環境和不同規模下的動態事件。

-AIR Datat

-UAV Datat

Datat

-