文章目錄
1. 光學數據集
1.1 DIOR
“DIOR”是一個用於光學遙感圖像目標檢測的大規模基準數據集。數據集包含23463個圖像和192472個實例，涵蓋20個對象類。這20個對象類是飛機、機場、棒球場、籃球場、橋樑、煙囪、水壩、高速公路服務區、高速公路收費站、港口、高爾夫球場、地面田徑場、天橋、船舶、體育場、儲罐、網球場、火車站、車輛和風磨。
下載地址：http://www.escience.cn/people/gongcheng/DIOR.html
數據論文地址：Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark
1.2 LEVIR
LEVIR數據集由大量 800 × 600 像素和0.2m〜1.0m /像素的高分辨率Google Earth圖像和超過22k的圖像組成。LEVIR數據集涵蓋了人類居住環境的大多數類型地面特徵，例如城市，鄉村，山區和海洋。數據集中未考慮冰川，沙漠和戈壁等極端陸地環境。數據集中有3種目標類型：飛機，輪船（包括近海輪船和向海輪船）和油罐。所有圖像總共標記了11k個獨立邊界框，包括4,724架飛機，3,025艘船和3,279個油罐。每個圖像的平均目標數量爲0.5。
數據下載地址：http://levir.buaa.edu.cn/Code.htm
數據論文地址：Random Access Memories: A New Paradigm for Target Detection in High Resolution Aerial Remote Sensing Images
1.3 DOTA
DOTA是用於航空圖像中目標檢測的大規模數據集。它可以用於開發和評估航空影像中的物體檢測。對於DOTA數據集，它包含來自不同傳感器和平臺的2806個航拍圖像。每個圖像的大小在大約800×800到4000×4000像素的範圍內，並且包含各種比例，方向和形狀的對象。這些DOTA圖像由航空影像解釋專家分類爲15個常見對象類別。完全註釋的DOTA圖像包含188、282個實例，每個實例都由任意（8自由度）四邊形標記。
https://captain-whu.github.io/DOTA/index.html
DOTA: A Large-scale Dataset for Object Detection in Aerial Images
1.4 RSOD
RSOD是一個開放的目標檢測數據集，用於遙感圖像中的目標檢測。數據集包含飛機，油箱，運動場和立交橋，以PASCAL VOC數據集的格式進行標註。
數據集包括4個文件夾，每個文件夾包含一種對象：
1.飛機數據集，446幅圖像中的4993架飛機
2.操場，189副圖像中的191個操場。
3.立交橋，176副圖像中的180座立交橋。
4.油箱，165副圖像中的1586個 油箱。
下載地址：https://github.com/RSIA-LIESMARS-WHU/RSOD-Dataset-
數據論文地址：Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark
1.5 NWPU VHR-10
NWPU VHR-10數據集是僅用於研究的公開提供的10類地理空間物體檢測數據集，這十類物體是飛機，輪船，儲罐，棒球，網球場，籃球場，地面跑道，港口，橋樑和車輛。此數據集總共包含800幅超高分辨率（VHR）遙感圖像，是從Google Earth和Vaihingen數據集裁剪而來的，然後由專家手動註釋。
下載地址：https://pan.baidu.com/s/1hqwzXeG#list/path=%2F
參考文獻：Learning Rotation-Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images
1.6 VEDAI
VEDAI是航空影像中車輛檢測的數據集，作爲一種在不受限制的環境中對目標檢測算法進行基準測試的工具。數據庫中除了包含很小的車輛以外，還表現出不同的可變性，例如多個方向，光照/陰影變化，鏡面反射或遮擋。此外，每個圖像都有幾個光譜帶和分辨率。作者還給出了精確的實驗方案，以確保可以正確復現和比較不同人獲得的實驗結果。對於這些算法的不同設置，作者還給出了一些基準以測試該數據集上的性能，以提供基準比較。
下載地址：https://downloads.greyc.fr/vedai/
參考文獻：Vehicle Detection in Aerial Imagery : A small target detection benchmark
1.7 COWC
帶上下文信息的高架汽車（COWC）數據是頭頂視角的帶註釋的汽車。對於訓練、深度神經網絡以學習目標檢測檢測或汽車計數很有用。數據集具有以下屬性：
（1）地面上每像素分辨率15 cm的數據（所有數據均爲EO）。
（2）來自六個不同位置的數據：加拿大多倫多，新西蘭塞爾溫，波茨坦和德國Vaihingen，哥倫布和猶他州美國。
（3）32,716輛帶註釋的汽車。58,247個負面例子。
（4）爲檢測和計數任務建立基準。
（5）能夠驗證額外測試場景。
下載地址：https://gdo152.llnl.gov/cowc/
參考文獻：A Large Contextual Dataset for Classification, Detection and Counting of Cars with Deep Learning
1.8 ITCVD
ITCVD數據集圖像是從飛機平臺拍攝的，圖像拍攝由飛機在荷蘭Enschede上方空高約330m的高度飛行，以天底視圖和斜視圖拍攝圖像。斜視角的傾斜角度爲45度。天底圖像的地面採樣距離（GSD）爲10釐米。
數據集包含用於訓練的135張圖像和用於測試的23543張圖像，其餘的38張圖像和5545輛車輛用於測試。數據集中的每輛車都使用一個邊界框手動標註，該邊界框表示爲（x，y，w，h），其中（x，y）是該框左上角的座標，而（w，h ）分別是邊界框的寬度和高度。
下載地址:
https://eostore.itc.utwente.nl:5001/fsdownload/zZYfgbB2X/ITCVD
參考文獻：Vehicle Detection in Aerial Images
1.9 DIUx xView 2018
xView是最大的公開可用的開銷圖像集之一。它包含來自世界各地複雜場景的圖像，並用超過一百萬個邊界框進行註釋，這些邊界框代表60種對象類別的不同範圍。與其他架空圖像數據集相比，xView圖像具有高分辨率，多光譜特性，並帶有更多種類的對象標記。DIUx xView挑戰賽的重點是加快四個計算機視覺領域的進展：降低檢測的最小分辨率；提高學習效率；啓用更多對象類的發現；改進對細粒度類的檢測。DIUx xView挑戰緊隨挑戰的腳步，例如上下文中的通用對象（COCO），並試圖建立SpaceNet和世界功能圖（FMoW），以將計算機視覺應用於來自太空可用圖像，以便我們以新的方式理解視覺世界並解決一系列重要的問題。
下載地址：http://xviewdataset.org/
參考文獻：xView: Objects in Context in Overhead Imagery
1.10 HRSC2016
數據集所有圖像均來自六個著名的港口。圖像分辨率在2-m和0.4-m之間。圖像尺寸範圍從300到1500，大多數圖像大於1000 x 600。 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）。
下載地址：http://www.escience.cn/people/liuzikun/DataSet.html
參考文獻：A_High_Resolution_Optical_Satellite_Image_Dataset_for_Ship_Recognition_and_Some_New_Baselines
1.11 TAS
TAS數據集(Heitz and Koller, 2008)是爲航空圖像中的汽車檢測而設計的。它包含了30張圖片和1319輛手動標註的汽車。這些圖像的空間分辨率相對較低，由建築物和樹木造成的陰影較多。
1.12 SZTAKI‐INRIA
SZTAKI INRIA: SZTAKI INRIA數據集(Benedek et al.， 2011)用於基準測試各種建築8檢測方法。它由665個建築組成，用定向邊界框手工標註，分佈在來自曼徹斯特(英國)、Szada和布達佩斯(匈牙利)、Cot d Azur和諾曼底(法國)和Bodensee(德國)的9幅遙感圖像中。所有的圖像只包含紅色®、綠色(G)和藍色(B)三個通道。其中，兩幅圖像(Szada和Budapest)是航空圖像，其餘七幅圖像是來自QuickBird、IKONOS和谷歌Earth的衛星圖像。
1.13 UCAS AOD
UCAS AOD數據集(Zhu et al.， 2015a)用於飛機和車輛檢測。具體來說，飛機數據集包括600張圖像和3210架飛機，而車輛數據集包括310張圖像和2819輛車輛。所有的圖像都經過精心挑選，使數據集中的物體方向分佈均勻。
下載地址：https://pan.baidu.com/s/1bplTvif密碼：ppef
1.14 DLR 3K Vehicle
DLR 3K車輛:DLR 3K車輛數據集(Liu and Mattyus, 2015)是另一個設計用於車輛檢測的數據集。它包含20張5616 3744航拍圖像，空間分辨率爲13釐米。它們是在距地面1000米的高空使用DLR 3K攝像機系統(一種近乎實時的機載數字監控系統)在德國慕尼黑地區拍攝的。有14235輛車是通過在圖片中使用定向包圍框手動標記的。
2. SAR
2.1 SSDD
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，數據集後續會繼續擴充。相比於具有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。
2.2 SSDD+
SSDD+的數據集相對於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。
2.3 OpenSARShip
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，用於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支持註冊各種算法，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，並且完整的測試報告也將提供給用戶。
下載地址：http://opensar.sjtu.edu.cn/
參考文獻：
Huang L, Liu B, Li B, et al. OpenSARShip: A Dataset Dedicated toSentinel-1 Ship Interpretation[J]. IEEE Journal of Selected Topics in AppliedEarth Observations and Remote Sensing, 2017.
2.4 AIR-SARShip-1.0
高分辨率SAR艦船檢測數據集-1.0（AIR-SARShip-1.0）首批發布31幅圖像，圖像分辨率包括1m和3m，成像模式包括聚束式和條帶式，極化方式爲單極化，場景類型包含港口、島礁、不同等級海況的海面，目標覆蓋運輸船、油船、漁船等十餘類近千艘艦船。 圖像尺寸約爲3000×3000像素，圖像格式爲Tiff、單通道、8/16位圖像深度，標註文件提供相應圖像的長寬尺寸、標註目標的類別以及標註矩形框的位置。
下載地址：AIR-SARShip-1.0：高分辨率SAR艦船檢測數據集
參考文獻：http://radars.ie.ac.cn/article/doi/10.12000/JR19097?viewType=HTML
2.5 SAR-Ship-Dataset
該數據集以我國國產高分三號SAR數據和Sentinel-1 SAR數據爲主數據源，共採用了102景高分三號和108景Sentinel-1 SAR圖像構建高分辨率SAR船舶目標深度學習樣本庫。目前，該深度學習樣本庫包含43819船舶切片。高分三號的成像模式是Strip-Map (UFS)、Fine Strip-Map 1 (FSI)、Full Polarization 1 (QPSI)、Full Polarization 2(QPSII)和Fine Strip-Map 2 (FSII)。這5種成像模型的分辨率分別是3m、5m、8m、25m和10m。Sentinel-1的成像模式是條帶模式（S3和S6）和寬幅成像模式。
下載鏈接：https://github.com/CAESAR-Radi/SAR-Ship-Dataset
參考文獻：A SAR Dataset of Ship Detection for Deep Learningunder Complex Backgrounds
1.2.5 MSTAR
MSTAR數據庫作爲SAR圖像自動目標識別（SAR ATR）研究的一個通用庫，被很多學者廣泛採用。從現有的SAR ATR系統處理流程來看，目標檢測作爲該系統的前端，很大程度上影響系統後續識別性能，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，避免了鑑別階段進一步減少虛警目標。目標識別作爲該系統的後端處理部分，是整個系統的重點也是難點。