PS：大家如果有想要的數(shù)據(jù)集可以私信我，如果我下載了的話，可以發(fā)給你們~
有新增，可見光遙感圖像數(shù)據(jù)集 FAIRIM
一、光學(xué)數(shù)據(jù)集
1、 DIOR 數(shù)據(jù)集(已下載yolo版本)（論文中提到過）
DIOR由23463張最優(yōu)遙感圖像和190288個(gè)目標(biāo)實(shí)例組成，這些目標(biāo)實(shí)例用軸向?qū)R的邊界框手動(dòng)標(biāo)記，由192472個(gè)軸對(duì)齊的目標(biāo)邊界框注釋組成。數(shù)據(jù)集中圖像大小為800×800像素，空間分辨率為0.5m ~ 30m。該數(shù)據(jù)集分為訓(xùn)練驗(yàn)證集（11725張圖像）和測(cè)試集（11738張圖像）。
“DIOR”是一個(gè)用于光學(xué)遙感圖像目標(biāo)檢測(cè)的大規(guī)模基準(zhǔn)數(shù)據(jù)集。涵蓋20個(gè)對(duì)象類。這20個(gè)對(duì)象類是飛機(jī)、機(jī)場、棒球場、籃球場、橋梁、煙囪、水壩、高速公路服務(wù)區(qū)、高速公路收費(fèi)站、港口、高爾夫球場、地面田徑場、天橋、船舶、體育場、儲(chǔ)罐、網(wǎng)球場、火車站、車輛和風(fēng)磨。
數(shù)據(jù)論文地址：Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark
2、 LEVIR 數(shù)據(jù)集
LEVIR數(shù)據(jù)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(shù)據(jù)集涵蓋了人類居住環(huán)境的大多數(shù)類型地面特征，例如城市，鄉(xiāng)村，山區(qū)和海洋。數(shù)據(jù)集中未考慮冰川，沙漠和戈壁等極端陸地環(huán)境。數(shù)據(jù)集中有3種目標(biāo)類型：飛機(jī)，輪船（包括近海輪船和向海輪船）和油罐。所有圖像總共標(biāo)記了11k個(gè)獨(dú)立邊界框，包括4,724架飛機(jī)，3,025艘船和3,279個(gè)油罐。每個(gè)圖像的平均目標(biāo)數(shù)量為0.5。
數(shù)據(jù)下載地址：http://levir.buaa.edu.cn/Code.htm
數(shù)據(jù)論文地址：Random Access Memories: A New Paradigm for Target Detection in High Resolution Aerial Remote Sensing Images
3、DOTA 數(shù)據(jù)集（論文中提到過）
具體信息：https://blog.csdn.net/weixin_43427721/article/details/122057389
DOTA是用于航空?qǐng)D像中目標(biāo)檢測(cè)的大規(guī)模數(shù)據(jù)集。它可以用于開發(fā)和評(píng)估航空影像中的物體檢測(cè)。對(duì)于DOTA數(shù)據(jù)集，它包含來自不同傳感器和平臺(tái)的2806個(gè)航拍圖像。每個(gè)圖像的大小在大約800×800到4000×4000像素的范圍內(nèi)，并且包含各種比例，方向和形狀的對(duì)象。這些DOTA圖像由航空影像解釋專家分類為15個(gè)常見對(duì)象類別。完全注釋的DOTA圖像包含188282個(gè)實(shí)例，每個(gè)實(shí)例都由任意（8自由度）四邊形標(biāo)記。
該數(shù)據(jù)集共包含2806張遙感圖像（圖片尺寸從 800800 到 40004000），一共188,282個(gè)實(shí)例，分為15個(gè)類別：飛機(jī)、船只、儲(chǔ)蓄罐、棒球內(nèi)場、網(wǎng)球場、籃球場、田徑場、海港、橋、大型車輛、小型車輛、直升飛機(jī)、英式足球場、環(huán)形路線、游泳池。每個(gè)實(shí)例都由一個(gè)四邊形邊界框標(biāo)注，頂點(diǎn)按順時(shí)針順序排列。官方使用1/2的圖像作為訓(xùn)練集，1/6作為驗(yàn)證集，1/3作為測(cè)試集。測(cè)試集沒有公開，需要上傳至服務(wù)器。
論文地址：DOTA: A Large-scale Dataset for Object Detection in Aerial Images
4、 NWPU VHR-10 數(shù)據(jù)集(已下載voc格式)（論文中提到過）
4.1 基本信息
NWPU VHR-10 (Cheng et al.，2016) 這個(gè)高分辨率(VHR)遙感圖像數(shù)據(jù)集是由西北工業(yè)大學(xué)(NWPU)構(gòu)建的，包含10類正例樣本650張以及不包含給定對(duì)象類的任何目標(biāo)的150張反例圖像（背景），正例圖像中至少包含1個(gè)實(shí)例，總共有3651個(gè)目標(biāo)實(shí)例。具體類別信息如下：
NWPU VHR-10數(shù)據(jù)集是僅用于研究的公開提供的10類地理空間物體檢測(cè)數(shù)據(jù)集，這十類物體是飛機(jī)，輪船，儲(chǔ)罐，棒球，網(wǎng)球場，籃球場，地面跑道，港口，橋梁和車輛。此數(shù)據(jù)集總共包含800幅超高分辨率（VHR）遙感圖像，是從Google Earth和Vaihingen數(shù)據(jù)集裁剪而來的，然后由專家手動(dòng)注釋。
NWPU VHR-10 Dataset 是一個(gè)用于空間物體檢測(cè)的 10 級(jí)地理遙感數(shù)據(jù)集，其擁有 650 張包含目標(biāo)的圖像和 150 張背景圖像，共計(jì) 800 張，目標(biāo)種類包括飛機(jī)、艦船、油罐、棒球場、網(wǎng)球場、籃球場、田徑場、港口、橋梁和汽車共計(jì) 10 個(gè)類別。該數(shù)據(jù)集由西北工業(yè)大學(xué)于 2014 年發(fā)布。
4.2數(shù)據(jù)說明
4.2.1目標(biāo)圖像定義
本數(shù)據(jù)集中目標(biāo)為航拍圖像下的目標(biāo)種類，包括飛機(jī)、艦船、油罐、棒球場、網(wǎng)球場、籃球場、田徑場、港口、橋梁和汽車共計(jì)10個(gè)類別。該數(shù)據(jù)集共包含3775個(gè)對(duì)象實(shí)例，其中包括757架飛機(jī)、390個(gè)棒球方塊、159個(gè)籃球場、124座橋梁、224個(gè)港口、163個(gè)田徑場、302艘船、655個(gè)儲(chǔ)罐、524個(gè)網(wǎng)球場和477輛汽車，這些對(duì)象實(shí)例都是用水平邊框手工標(biāo)注的。
4.2.2數(shù)據(jù)來源
715幅高分辨率圖像使用Google Earth軟件在全球部分區(qū)域中截取，85幅超高分辨率圖像CIR由德國攝影測(cè)量、遙感和地理信息學(xué)會(huì)（DGPF）提供。Google Earth截取圖像的分辨率介于0.5m到2m，CIR圖像分辨率為0.08m。它由715個(gè)RGB圖像和85個(gè)全色銳化彩色紅外圖像組成。
4.2.3數(shù)據(jù)格式
數(shù)據(jù)集分為positive image set、negative image set、ground truth三個(gè)文件
positive image set目錄下為正例圖像，negative image set目錄下為反例圖像
正例、反例圖像皆從001開始命名，所有圖像為jpg格式。
4.2.4樣本標(biāo)注信息
NWPU VHR-10采用HBB的標(biāo)注方法。ground truth文件夾包含650個(gè)單獨(dú)的txt文件，每個(gè)文件對(duì)應(yīng)于positive
image set文件夾中的一個(gè)圖像，這些文本文件的每一行都定義了一個(gè)ground truth邊界框，格式如下:
(x1,y1),(x2,y2),a
其中(x1,y1)為bounding box的左上角坐標(biāo)，(x2,y2)為bounding box的右下坐標(biāo)，a為對(duì)象類別(1-飛機(jī)、2-輪船、3-儲(chǔ)油罐、4-棒球場、5-網(wǎng)球場、6-籃球場、7田徑場、8-港口、9-橋梁、10-汽車)。
參考文獻(xiàn)：Learning Rotation-Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images
5、 VEDAI 數(shù)據(jù)集（論文中提到過）
VEDAI數(shù)據(jù)集用于航空?qǐng)D像中的多類車輛檢測(cè)。它包含3640個(gè)車輛實(shí)例，包括9個(gè)類別，包括船、車、露營車、飛機(jī)、接送車、拖拉機(jī)、卡車、貨車和其他類別。該數(shù)據(jù)集共包含來自 猶他州AGRC 的1210張1024×1024的航空?qǐng)D像，空間分辨率12.5 cm。數(shù)據(jù)集中的圖像采集于2012年春季，每張圖像都有四個(gè)未壓縮的彩色通道，包括三個(gè)RGB彩色通道和一個(gè)近紅外通道。
VEDAI是航空影像中車輛檢測(cè)的數(shù)據(jù)集，作為一種在不受限制的環(huán)境中對(duì)目標(biāo)檢測(cè)算法進(jìn)行基準(zhǔn)測(cè)試的工具。數(shù)據(jù)庫中除了包含很小的車輛以外，還表現(xiàn)出不同的可變性，例如多個(gè)方向，光照/陰影變化，鏡面反射或遮擋。此外，每個(gè)圖像都有幾個(gè)光譜帶和分辨率。作者還給出了精確的實(shí)驗(yàn)方案，以確保可以正確復(fù)現(xiàn)和比較不同人獲得的實(shí)驗(yàn)結(jié)果。對(duì)于這些算法的不同設(shè)置，作者還給出了一些基準(zhǔn)以測(cè)試該數(shù)據(jù)集上的性能，以提供基準(zhǔn)比較。
下載地址：https://downloads.greyc.fr/vedai/
參考文獻(xiàn)：Vehicle Detection in Aerial Imagery : A small target detection benchmark
6、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復(fù)雜場景的圖像，并用超過一百萬個(gè)邊界框進(jìn)行注釋，這些邊界框代表60種對(duì)象類別的不同范圍。與其他架空?qǐng)D像數(shù)據(jù)集相比，xView圖像具有高分辨率，多光譜特性，并帶有更多種類的對(duì)象標(biāo)記。DIUx xView挑戰(zhàn)賽的重點(diǎn)是加快四個(gè)計(jì)算機(jī)視覺領(lǐng)域的進(jìn)展：降低檢測(cè)的最小分辨率；提高學(xué)習(xí)效率；啟用更多對(duì)象類的發(fā)現(xiàn)；改進(jìn)對(duì)細(xì)粒度類的檢測(cè)。DIUx xView挑戰(zhàn)緊隨挑戰(zhàn)的腳步，例如上下文中的通用對(duì)象（COCO），并試圖建立SpaceNet和世界功能圖（FMoW），以將計(jì)算機(jī)視覺應(yīng)用于來自太空可用圖像，以便我們以新的方式理解視覺世界并解決一系列重要的問題。
下載地址：http://xviewdataset.org/
參考文獻(xiàn)：xView: Objects in Context in Overhead Imagery
7、 HRSC2016 數(shù)據(jù)集 (已下載yolo版本)（論文中出現(xiàn)過）
7.1 基本信息
HRSC2016 (Liu etal.，2016)是西北工業(yè)大學(xué)采集的用于輪船的檢測(cè)的數(shù)據(jù)。數(shù)據(jù)集包括海上航行的船只和靠近海岸的船只，其中所有圖像均來自六個(gè)著名的港口。圖像分辨率在0.4m和2m之間。 用于艦船檢測(cè)，含1070張圖片 (Google Earth) 和2976個(gè)實(shí)例，使用旋轉(zhuǎn)框標(biāo)注。訓(xùn)練集、驗(yàn)證集和測(cè)試集分別包含436個(gè)圖像（包括1207個(gè)樣本），181個(gè)圖像（包括541個(gè)樣本）和444個(gè)圖像（包括1228個(gè)樣本）。圖像尺寸從300×300到1500×900不等，大部分在1000×600左右。這些圖像以旋轉(zhuǎn)、比例、位置、形狀和外觀的大變化來收集。
7.2 數(shù)據(jù)說明
7.2.1目標(biāo)圖像定義
本數(shù)據(jù)集中目標(biāo)為航拍圖像下的船只，包括海上船只與近岸船只。作者在對(duì)船只模型進(jìn)行分類時(shí)采用了高度為3的樹形結(jié)構(gòu)，L1層次為Class、L2層次為category、L3層次為Type，類似生物學(xué)的分類觀 點(diǎn)，具體表示如下：
7.2.2數(shù)據(jù)來源
使用Google Earth軟件在全球部分區(qū)域中截取的圖像，既包括Google Earth默認(rèn)顯示的圖片， 又包括相同地點(diǎn)的歷史圖片。
7.3 數(shù)據(jù)格式及規(guī)模
數(shù)據(jù)集分為Train、Test、ImageSets三個(gè)文件。Train、Test目錄分為只包含船只圖像的AllImages和只包含注釋信息的Annotations，圖像以港口序號(hào)順序命名、以bmp格式存儲(chǔ)，圖像的注釋信息以xml文件存儲(chǔ)。此外，Test文件下的Segmentations文件還包含了船只分割圖像，即語義分割的標(biāo)簽，以png格式存儲(chǔ)。訓(xùn)練、驗(yàn)證和測(cè)試集分別包含436個(gè)圖像（包括1207個(gè)樣本）、181個(gè)圖像（包括541個(gè)樣本）和444個(gè)圖像（包括1228個(gè)樣本）。ImageSets目錄下包含train.txt、val.txt、trainval.txt以及test.txt，保存了訓(xùn)練集、驗(yàn)證集、交叉驗(yàn)證集、測(cè)試集的圖片編號(hào)。各類樣本在訓(xùn)練集、驗(yàn)證集、測(cè)試集中的分布如下所示：
參考文獻(xiàn)：A_High_Resolution_Optical_Satellite_Image_Dataset_for_Ship_Recognition_and_Some_New_Baselines
8、HRRSD數(shù)據(jù)集（論文中提到過）
HRRSD 數(shù)據(jù)集是2019年中國科學(xué)院大學(xué)發(fā)布的數(shù)據(jù)集，HRRSD包含從Google Earth和Baidu地圖獲取的21761幅圖像，空間分辨率從0.15m到1.2m。HRRSD中有55740個(gè)目標(biāo)的實(shí)例，每個(gè)類別4k左右。HRRSD包含13類目標(biāo)。13個(gè)類別分別是：飛機(jī)、棒球場、籃球場、橋梁、十字路口、田徑場、港口、停車場、船、存儲(chǔ)罐、丁字路口、網(wǎng)球場、汽車。
數(shù)據(jù)庫的亮點(diǎn)是，各個(gè)類別之間樣本量較均衡，每個(gè)類別都有大約4000個(gè)樣本。
下載鏈接：https://github.com/CrazyStoneonRoad/TGRS-HRRSD-Dataset
9、SIMD 數(shù)據(jù)集（論文中提到過）
SIMD數(shù)據(jù)集，其大部分圖像測(cè)量為1024 × 768像素。SIMD (haroon et al.，2020) 是由巴基斯坦國立科學(xué)技術(shù)大學(xué)提出的主要用于車輛檢測(cè)的目標(biāo)檢測(cè)數(shù)據(jù)集，包含5000幅遙感圖像（圖片尺寸：1024768）和45096個(gè)實(shí)例。SIMD數(shù)據(jù)集中的圖像分辨率都是1024768的JPG格式。SIMD數(shù)據(jù)集是一個(gè)多類別、開源、高分辨率的遙感對(duì)象檢測(cè)數(shù)據(jù)集，共包含15個(gè)類別，如圖4所示。另外，SIMD數(shù)據(jù)集上的中小目標(biāo)分布較多（w < 0.4，h < 0.4）。
10、ACS數(shù)據(jù)集 （論文中提到過）
ACS數(shù)據(jù)集由飛機(jī)、汽車和船舶三大類組成。它是由航空?qǐng)D像目標(biāo)檢測(cè)數(shù)據(jù)集(DOTA)、中國科學(xué)院大學(xué)-航空?qǐng)D像目標(biāo)檢測(cè)(UCAS-AOD)、NWPUVHR-10[20]、遙感圖像目標(biāo)檢測(cè)(RSOD)和學(xué)習(xí)、視覺與遙感實(shí)驗(yàn)室(LEVIR)[16]等5個(gè)數(shù)據(jù)集組合而成。ACS數(shù)據(jù)集中有4159張遙感圖像，共有27438個(gè)標(biāo)記對(duì)象，包括13082架飛機(jī)，4843輛汽車和9513艘船。
11、FAIRIM數(shù)據(jù)集（已下載）
具體信息了解博客：https://blog.csdn.net/Harry_Jack/article/details/120673622
中國科學(xué)院航空航天信息研究所創(chuàng)建的高分辨率遙感圖像中的細(xì)粒度目標(biāo)識(shí)別（FAIRIM）。該數(shù)據(jù)集涵蓋了近岸港口和近海地區(qū)等各種場景。在論文中選取了2235幅圖像，并將其人工標(biāo)注為10種常見的船舶類型（集裝箱船（CS）、干貨船（DCS）、液貨船（LCS）、客船（PS）、軍艦（WS）、工程船（ES）、運(yùn)沙船（SC）、漁船（FB）、拖船（TB）和摩托艇（MB））。
二、 SAR
1、 SSDD 數(shù)據(jù)集（已下載并且訓(xùn)練）（論文中提到過）
在數(shù)據(jù)集SSDD中，一共有1160個(gè)圖像和2456個(gè)艦船，平均每個(gè)圖像有2.12個(gè)艦船，數(shù)據(jù)集后續(xù)會(huì)繼續(xù)擴(kuò)充。相比于具有20類目標(biāo)的PASCAL VOC數(shù)據(jù)集，SSDD雖然圖片少，但是類別只有艦船這一種，因此它足以訓(xùn)練檢測(cè)模型。
2、SSDD+ 數(shù)據(jù)集
SSDD+的數(shù)據(jù)集相對(duì)于SSDD數(shù)據(jù)將垂直邊框變成了旋轉(zhuǎn)邊框，旋轉(zhuǎn)邊框可在完成檢測(cè)任務(wù)的同時(shí)實(shí)現(xiàn)了對(duì)目標(biāo)的方向估計(jì)。
3、OpenSARShip 數(shù)據(jù)集
OpenSAR是由上海交通大學(xué)高級(jí)傳感技術(shù)中心（AST）開發(fā)的開放式SAR圖像管理和處理平臺(tái)，用于SAR圖像的讀取，處理，可視化和算法測(cè)試。SAR圖像管理和算法測(cè)試是OpenSAR的主要任務(wù)。
OpenSAR支持導(dǎo)入各種SAR數(shù)據(jù)源，例如TerraSAR-X，RADARSAT 1/2，COSMO-SkyMed等。用戶可以通過該平臺(tái)搜索和查看SAR圖像數(shù)據(jù)。OpenSAR支持注冊(cè)各種算法，例如圖像去噪，場景分類，目標(biāo)檢測(cè)，目標(biāo)識(shí)別，變化檢測(cè)等。用戶可以通過該平臺(tái)搜索，配置和執(zhí)行這些算法，并且完整的測(cè)試報(bào)告也將提供給用戶。
下載地址：http://opensar.sjtu.edu.cn/
參考文獻(xiàn)：
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.
4、AIR-SARShip-1.0 數(shù)據(jù)集
高分辨率SAR艦船檢測(cè)數(shù)據(jù)集-1.0（AIR-SARShip-1.0）首批發(fā)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，極化方式為單極化，場景類型包含港口、島礁、不同等級(jí)海況的海面，目標(biāo)覆蓋運(yùn)輸船、油船、漁船等十余類近千艘艦船。 圖像尺寸約為3000×3000像素，圖像格式為Tiff、單通道、8/16位圖像深度，標(biāo)注文件提供相應(yīng)圖像的長寬尺寸、標(biāo)注目標(biāo)的類別以及標(biāo)注矩形框的位置。
下載地址：AIR-SARShip-1.0：高分辨率SAR艦船檢測(cè)數(shù)據(jù)集
參考文獻(xiàn)：http://radars.ie.ac.cn/article/doi/10.12000/JR19097?viewType=HTML
5、 SAR-Ship-Dataset 數(shù)據(jù)集
該數(shù)據(jù)集以我國國產(chǎn)高分三號(hào)SAR數(shù)據(jù)和Sentinel-1 SAR數(shù)據(jù)為主數(shù)據(jù)源，共采用了102景高分三號(hào)和108景Sentinel-1 SAR圖像構(gòu)建高分辨率SAR船舶目標(biāo)深度學(xué)習(xí)樣本庫。目前，該深度學(xué)習(xí)樣本庫包含43819船舶切片。高分三號(hào)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(xiàn)：A SAR Dataset of Ship Detection for Deep Learningunder Complex Backgrounds
6、 HRSID 數(shù)據(jù)集（論文中提到過）
文章來源：http://www.zghlxwxcb.cn/news/detail-508353.html
該數(shù)據(jù)集是電子科技大學(xué)的蘇浩在2020年1月發(fā)布數(shù)據(jù)集，HRSID是高分辨率sar圖像中用于船舶檢測(cè)、語義分割和實(shí)例分割任務(wù)的數(shù)據(jù)集。該數(shù)據(jù)集共包含5604張高分辨率SAR圖像和16951個(gè)ship實(shí)例。ISSID數(shù)據(jù)集借鑒了Microsoft Common Objects in Context (COCO)數(shù)據(jù)集的構(gòu)建過程，包括不同分辨率的SAR圖像、極化、海況、海域和沿海港口。該數(shù)據(jù)集是研究人員評(píng)估其方法的基準(zhǔn)。對(duì)于HRSID, SAR圖像的分辨率分別為:0.5m, 1 m, 3 m。
下載鏈接：https://github.com/chaozhong2010/HRSID文章來源地址http://www.zghlxwxcb.cn/news/detail-508353.html
到了這里，關(guān)于目標(biāo)檢測(cè)艦船數(shù)據(jù)集整合的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
