遥感影像中常用的目标检测数据集

2023年12月9日发(作者：投资自己)

-

遥感影像中常用的目标检测数据集

遥感影像中常用的目标检测数据集

搜集整理了遥感中常用的目标检测数据集，方便自己也方便大家用。

A Large-scale Datat for Object Detection in Aerial Images。2806张遥感图像（大小约4000*4000），188,282个instances，

分为15个类别:飞机、船只、储蓄罐、棒球场、网球场、篮球场、田径场、海港、桥、大型车辆、小型车辆、直升飞机、英式足球场、环形

路线、游泳池。每个实例都由一个四边形边界框标注，顶点按顺时针顺序排列。。

更新：DOTA-v1.5在16个类别中包含40万个带注释的对象实例，这是DOTA-v1.0的更新版本。 它们都使用相同的航拍图像，但是

DOTA-v1.5修改并更新了对象的注释，其中在DOTA-v1.0中缺少了许多大约10个像素以下的小对象实例，并对其进行了附加注释。

DOTA-v1.5的类别也得到了扩展。 具体地，增加了集装箱起重机的类别。

提取码：RSAI

-AOD

Datat of Object Detection in Aerial Images，国科大模式识别实验室标注的，只包含两类目标：汽车，飞机，以及背景负样本。

提取码：RSAI

3. NWPU VHR-10

西北工业大学标注的航天遥感目标检测数据集，共有800张图像，其中包含目标的650张，背景图像150张，目标包括：飞机、舰船、油

罐、棒球场、网球场、篮球场、田径场、港口、桥梁、车辆10个类别。开放下载，大概73M。

提取码：RSAI．DOTA

4. RSOD-Datat

武汉大学团队标注，包含飞机、操场、立交桥、 油桶四类目标，数目分别为：

飞机：4993 aircrafts in 446 images.

操场：191 playgrounds in 189 images.

立交桥：180 overpass in 176 overpass.

油桶：1586 oiltanks in 165 images.

提取码：RSAI

5. TGRS-HRRSD-Datat

提取码：RSAI

6. TAS

提取码：RSAI

7. DIOR

西工大韩军伟课题组提出了一种用于光学遥感图像中目标检测的大规模基准数据集“DIOR”，由23463幅图像和190288个目标实例组

成，并对近年来基于深度学习的目标检测方法进行了综述。目标类别如下图。大小800 * 800，分辨率0.5m到30m。包括不同季节、不同

天气。位置增强。来源Google Earth。

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

Survey and A New Benchmark.

提取码：RSAI

8. xView

美国国防部的国防创新部门实验室（DIUx）、DigitalGlobe还有美国国家地理空间情报局的研究人员发布了xView。这是一个数据集和其相

关的竞赛，用于评估人工智能方法对高空卫星图像进行分类的能力。xView包含60个类别的100万个不同对象，分布在1,400平方公里的

卫星图像上，最大地面样本分辨率为0.3米。该数据集旨在测试图像识别的各个领域，包括：学习效率，细粒度类别检测和多尺度识别等。

7个大类60个小类(None表示无大类)，共约1.000,000个目标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

提取码：RSAI

9. HRSC2016

遥感舰船公开数据集所有图像均来自六个著名的港口。分辨率从2米到0.4米不等，图像大小从300

300到1500

900不等，大部分比

1000*600大。含有3个级别任务(分别为单类class、4类category和19类type舰船检测识别)训练，验证和测试集分别包含436个图像

（包括1207个样本），181个图像（包括541个样本）和444个图像（包括1228个样本）。

提取码：RSAI

3大类27小类，共2,976个目标

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是一个用于航空图像车辆检测的数据集，可作为基准测试无约束环境下自动目标识别算法的工具。数据库中包含的车辆，除了体积

小，还表现出不同的变化，如多方向、灯光/阴影变化、反射或闭塞。此外，每幅图像都有几个光谱波段和分辨率。同时给出了一套精确的

实验方案，保证了不同人的实验结果能够得到正确的再现和比较。我们还给出了一些基线算法在该数据集上的性能，这些算法的不同设置，

以说明任务的困难，并提供基线比较。

9类，共3640个目标

plane

boat

camping car

car

pick-up

tractor

truk

van

other

下载地址：/vedai/

提取码：RSAI

Overhead With Context(COWC)

Cars Overhead With Context (COWC) 数据集是一个大型的、来自架空的带注释的汽车集。这对训练一个像深度网络这样的设备来学习

检测和/或计数汽车。

数据集具有以下属性：

（1）地面上每像素分辨率为15厘米的高空数据（所有数据均为EO）。

（2）来自六个不同地点的数据：加拿大多伦多，新西兰塞尔温，德国波茨坦和瓦伊辛根，美国哥伦布和犹他州。（3）32716辆有独特注释的车。58247个独特的反面例子。

（4）故意选取硬性反面例子。

（5）建立检测计数任务基线。

（6）验证后使用的额外测试场景。

这些图像是从一个飞机平台上拍摄的，该平台在荷兰恩斯赫德上空飞行 (sragboomen Peeters，2017)。这些图像是在最低点视图和倾斜

视图中拍摄的。斜视的倾斜角度为45度。Thenadir图像的地面采样距离 (GSD) 为10cm。135imageswth 23543辆车辆用于训练，其余

38幅图像5545辆用于测试。使用boundingbox手动注释数据集中的每个车辆，该boundingbox表示为 (x，y，w，h）其中 (x，y) 是盒

子左上方角落的配合物，以及 (w，h) 分别为是盒子的相对宽度和高度。

提取码：RSAI

RShip

OpenSAR是由上海交通大学高级传感技术中心（AST）开发的开放式SAR图像管理和处理平台，用于SAR图像的读取，处理，可视化和算

法测试。SAR图像管理和算法测试是OpenSAR的主要任务。

OpenSAR支持导入各种SAR数据源，例如TerraSAR-X，RADARSAT 1/2，COSMO-SkyMed等。用户可以通过该平台搜索和查看

SAR图像数据。OpenSAR支持注册各种算法，例如图像去噪，场景分类，目标检测，目标识别，变化检测等。用户可以通过该平台搜索，

配置和执行这些算法，并且完整的测试报告也将提供给用户。

3K Vehicle

提取码：RSAI

‐INRIA

提取码：RSAI

在数据集SSDD中，一共有1160个图像和2456个舰船，平均每个图像有2.12个舰船，数据集后续会继续扩充。相比于具有20类目标的

PASCAL VOC数据集，SSDD虽然图片少，但是类别只有舰船这一种，因此它足以训练检测模型。

提取码：RSAI

+

SSDD+的数据集相对于SSDD数据将垂直边框变成了旋转边框，旋转边框可在完成检测任务的同时实现了对目标的方向估计。

-SARShip-1.0

提取码：-ship-Datat

提取码：RSAI

提取码：RSAI

MSTAR数据库作为SAR图像自动目标识别（SAR ATR）研究的一个通用库，被很多学者广泛采用。从现有的SAR ATR系统处理流程来

看，目标检测作为该系统的前端，很大程度上影响系统后续识别性能，在较好的检测性能下获得的目标区域可以直接进行分类识别，避免了

鉴别阶段进一步减少虚警目标。目标识别作为该系统的后端处理部分，是整个系统的重点也是难点。

下载地址：

提取码：RSAI

ne2019-DET

10 类，共54200个目标prdestrian提取码：RSAIshipshipdetailmulticosat&-ship-detection提取码：

提取码：RSAI

Challenge

目标是对航空影像数据中发现的不同对象进行分类。该分类包括主要类别的粗粒度分类（例如，大型车辆）和子类别和独特特征的精细粒度

分类（例如，具有天窗的汽车）。

数据集包括从不同地理位置，不同时间，分辨率，区域覆盖范围和图像采集条件（天气，太阳方向，相机方向等）拍摄的航空影像。图像分

辨率在5cm至15cm GSD（地面采样距离）之间变化。

小型车

子类-轿车，掀背车，小型货车，货车，皮卡车，吉普车，公共车辆。

特征-天窗，行李架，开放式货运区域，封闭式驾驶室，撞毁，备用轮胎。

颜色-黄色，红色，蓝色，黑色，银色/灰色，白色，其他。

大型车辆

子类-卡车，轻型卡车，水泥搅拌车，专用农用车，起重机，原动机，油轮，公共汽车，小巴。

特点-敞开的货物区域，交流通风口，撞毁的，封闭的箱子，封闭的驾驶室，梯子，平板车，软壳箱，利用推车固定。

5类，共1800个目标

car

pick-up

truck

van

unknown

提取码：RSAI

Datat提取码：onal Map of the World 提取码：I Mapping Challenge下载地址：

提取码：RSAI

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

34.航拍着火点

35.航拍杨梅树

杨梅树[Myrica rubra (Lour.) S. et Zucc]是一种常绿乔木，树高5-15 m，胸径可达60 cm，树冠可达5 m以上。杨梅树广泛分布在我国

江南地区，生长于海拔1500 m以下酸性红壤、山坡向阳的地理环境中。杨梅果是具有江南地理特色的水果。作者于2019年1月23日-24

日选择浙江省永嘉县大洋山森林公园作为试验区，采用大疆Phantom4无人机进行航拍，在此基础上对杨梅树树冠进行多边形标记，即采用

Mask RCNN（Region Convolutional Neural Networks）深度学习模型对杨梅树进行自动识别，对识别结果运用目视解译方法验证。结

果表明，Mask RCNN在杨梅树识别方面有较高精度，总体检出率达90.08%，错检率为9.62%，漏检率为9.92%。杨梅树识别深度学习模

型实验数据集包括：（1）杨梅树实验样区(浙江省永嘉县大洋山森林公园) 照片3080张，每张照片像素尺寸为5472 x 3648；（2）杨梅

树树冠样本标记数据（298张）；（3）杨梅树深度学习模型识别结果数据。该数据集以.jpg、.json格式存储，由3690个数据文件组成，

数据量为25.6 GB（压缩为71个文件，25.5 GB）。

36.多类型飞机检测（WH）

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

anes

_DatatERA（航拍视频中的事件识别），由2,864个视频组成，每个视频都有来自25个不同类别的标签，对应于展开5秒的事件。 ERA数据集旨

在具有显着的类内差异和类间相似性，并捕获不同环境和不同规模下的动态事件。

-AIR Datat

-UAV Datat

Datat

-