包含船只的卫星图像数据集
用于船只检测、分类、语义分割和实例分割任务的雷达和光学卫星数据集列表。
:satellite: 雷达卫星数据集:
- SSDD(SAR船只检测数据集)- 2017年,Li等人 ↦ 检测 + 语义分割
- OpenSARship-1.0, 2.0 - 2017年,Huang等人 ↦ 检测
- SAR-Ship-Dataset - 2019年,Wang等人 ↦ 检测 *
- AIR-SARShip -1.0, 2.0 - 2019年,Sun等人 ↦ 检测 *
- HRSID(高分辨率SAR图像数据集)- 2020年,Wei等人 ↦ 检测 + 实例分割
- LS-SSDD-v1.0(大规模SAR船只检测数据集)- 2020年,Zhang等人 ↦ 检测
- FUSAR-Ship数据集v1.0 - 2020年,Hou等人 ↦ 分类
- SSDD(SAR船只检测数据集)- 2021年,Zhang等人 ↦ 检测 + 实例分割
- DSSDD(双极化SAR船只检测数据集)- 2021年,Hu等人 ↦ 检测
- SRSDD-v1.0(SAR旋转船只检测数据集)- 2021年,Lei等人 ↦ 检测
- xView3-SAR(多模态SAR船只检测 + 特征化数据集)- 2022年,Paolo、Lin、Gupta等人 ↦ 检测 + 分类 + 回归
:eyes: 光学卫星数据集:
- HRSC2016(高分辨率船只集合2016)- 2016年,Liu等人 ↦ 检测 + 实例分割
- 卫星图像中的船只数据集 - 2017年,Kaggle ↦ 分类
- 空客船只检测挑战数据集 - 2018年,Kaggle ↦ 检测
- xView数据集 - 2018年,Lam等人 ↦ 检测
- DOTA(航空图像目标检测数据集)- 2018年,Xia等人 ↦ 检测
- TGRS-HRRSD(高分辨率遥感目标检测)- 2018年,Kaggle ↦ 检测
- MASATI-v2(海事卫星图像数据集)- 2018年,Gallego等人 ↦ 检测
- DIOR(光学遥感图像目标检测)- 2019年,Li等人 ↦ 检测 *
- FGSD(细粒度船只检测)- 2020年,Chen等人 ↦ 检测 *
- PSDS(秘鲁船只数据集)+ MSDS(迷你船只数据集)- 2020年,Cordova等人 ↦ 检测 *
- FGSCR-42(遥感图像细粒度船只分类)- 2021年,Di等人 ↦ 分类
- ShipRSImageNet - 2021年,Zhang等人 ↦ 检测
- S2-SHIPS - 2021年,Ciocarlan等人 ↦ 检测 + 语义分割 + 实例分割
- GF1-LRSD - 2021年,Wu等人 ↦ 检测 *
- VHRShips - 2022年,Kizilkaya等人 ↦ 检测 *
- SDS(船只检测和分割数据集)- 2022年,Lee等人 ↦ 检测 + 实例分割 *
*无法访问具体数据集。
雷达卫星数据集
SSDD(SAR船只检测数据集)
- 包含1160张平均尺寸为500×500像素的SAR图像。
- 这个特定数据集包含2358个船只实例。
- SAR图像的空间分辨率从1到15米/像素不等。
- 这1160张图像来自RadarSat-2、TerraSAR-X和Sentinel-1卫星。
- 上述1160张图像为.jpeg格式,24位色深(每通道8位)。
- 数据集图像具有混合的HH、HV、VV和VH极化。
- 每张图像对应一个.json文件,其中包含每艘船的像素级分割。
- 论文链接:https://ieeexplore.ieee.org/document/8124934
- 数据集链接:https://drive.google.com/file/d/1grDw3zbGjQKYPjOxv9-h4WSUctoUvu1O/view
OpenSARship-1.0
- OpenSARShip 1.0是一个中等分辨率的船只数据集,由41张Sentinel-1图像裁剪出的11346个图像芯片组成。
- 主要覆盖亚洲的5个港口,共有17种(AIS类型)船只。
- 图像的空间分辨率为2.7×22至3.6×22和20×22米。
- 数据集图像具有混合的VV和VH极化。
- 每个船只图像对应一条自动识别系统(AIS)消息。
- 每个船只芯片的详细信息,包括AIS消息、SAR船只签名和MarineTraffic网站提供的信息,都列在名为Ship.xml的XML文件中。
- 图像尺寸范围从30×30到120×120像素。
- 对于每张Sentinel-1 SAR图像,四个子文件夹提供不同格式的船只芯片:原始数据、灰度可视化数据、伪彩色可视化数据和校准数据。
- 原始数据和校准数据为.tiff格式,128位色深(每通道32位)。
- 伪彩色可视化数据为24位色深(每通道8位),格式为.png。
- 灰度可视化数据为8位色深,格式为.tiff。
- 论文链接:https://ieeexplore.ieee.org/document/8067489
- 数据集链接:http://opensar.sjtu.edu.cn/Data/Search
OpenSARship-2.0
- OpenSARShip 2.0由87张Sentinel-1图像裁剪出的34528个图像芯片组成。
- 所有产品均为干涉宽幅(IW)模式。
- OpenSARShip包含IW模式的两种可用产品:单视复数(SLC)和地距探测(GRD)产品。
- 这87张Sentinel-1图像中,52张来自GRD,35张来自SLC影像,选自近年来全球10个典型的密集海上交通场景。
- Sentinel-1的图像空间分辨率为2.7×22至3.6×22和20×22米。
- 数据集图像具有混合的VV和VH极化。
- 每个船只图像对应一条自动识别系统(AIS)消息。
- 每个船只芯片的详细信息,包括AIS消息、SAR船只签名和MarineTraffic网站提供的信息,都列在名为Ship.xml的XML文件中。
- 图像尺寸范围从30×30到120×120像素。
- 对于每张Sentinel-1 SAR图像,四个子文件夹提供不同格式的船只芯片:原始数据、灰度可视化数据、伪彩色可视化数据和校准数据。
- 论文链接:https://ieeexplore.ieee.org/document/8124929
- 数据集链接:http://opensar.sjtu.edu.cn/Data/Search
SAR船舶数据集
- 包含43819个256×256像素的船舶切片。
- 该数据集包括59535个船舶实例。
- 使用102幅中国高分三号卫星图像和108幅Sentinel-1卫星图像创建。
- 高分三号图像空间分辨率为每像素3米、5米、8米、10米和25米,Sentinel-1图像空间分辨率为1.7×4.3至3.6×4.9米和20×22米。
- 高分三号的成像模式包括超精细条带(UFS)、精细条带1(FSI)、全极化1(QPSI)、全极化2(QPSII)和精细条带2(FSII)。
- Sentinel-1的成像模式包括S3条带(SM)、S6 SM和IW模式。
- 每个船舶切片对应一个XML文件,标明船舶位置、切片名称和图像形状。
- 论文链接:https://www.mdpi.com/2072-4292/11/7/765
- 数据集链接:https://github.com/CAESAR-Radi/SAR-Ship-Dataset
AIR-SARShip-1.0
- AIR-SARShip-1.0数据集从高分三号卫星收集,包含31幅大场景图像。
- 成像模式包括聚束和条带模式。所有图像为单极化模式,尺寸约3000×3000像素。
- 原始SAR图像(3000×3000像素)裁剪为500×500像素的子图像。
- 上述6×6×31=1116个子图像为.tiff格式。
- 每幅图像对应一个XML标签文件,包括图像文件名、像素大小、通道数、分辨率、类别和每个目标框的位置。
- SAR图像的空间分辨率为每像素1米和3米。
- 论文链接:http://radars.ie.ac.cn/en/article/doi/10.12000/JR19097
- 数据集链接:http://radars.ie.ac.cn/web/data/getData?dataType=SARDataset_en&pageType=en
AIR-SARShip-2.0
- 数据集从高分三号卫星收集,包含300幅大场景图像。
- 成像模式包括聚束和条带模式。
- 所有图像为单极化模式。
- 数据集中每幅图像尺寸约1000×1000像素,为.tiff格式,单通道,16位图像深度。
- SAR图像的空间分辨率为每像素1米和3米。
- 每幅图像对应一个.xml文件,提供详细信息,包括长宽尺寸、类别和目标框位置。
- 论文链接:http://radars.ie.ac.cn/en/article/doi/10.12000/JR19097
- 数据集链接:http://radars.ie.ac.cn/web/data/getData?dataType=SARDataset_en&pageType=en
HRSID (高分辨率SAR图像数据集)
- 该数据集包含116幅同极化和20幅交叉极化SAR图像。
- 构建HRSID的原始图像包括99幅Sentinel-1B图像、36幅TerraSAR-X图像和1幅TanDEM-X图像。
- 上述136幅全景SAR图像裁剪为5604幅高分辨率SAR图像。
- 这5604幅图像尺寸为800×800像素,分辨率为96 dpi,为.jpeg格式。
- 图像色彩深度为8位(单通道)。
- 提取的5604幅高分辨率SAR图像包含16951个船舶实例。
- SAR图像的空间分辨率为每像素0.5米、1米和3米。
- 每个实例的标注包括相应的边界框和船舶轮廓。
- 每幅SAR图像的标注构成一个MS COCO数据集格式的.json文件。
- 论文链接:https://ieeexplore.ieee.org/abstract/document/9127939
- 数据集链接:https://github.com/chaozhong2010/HRSID
LS-SSDD-v1.0 (大规模SAR船舶检测数据集)
- 包含15幅大型SAR图像,来自Sentinel-1卫星,尺寸为24000×16000像素。
- 这15幅大型SAR图像被切割成9000幅800×800像素的子图像。
- 上述9000幅图像为.jpeg格式。
- 空间分辨率:无可用信息。
- 每幅图像都有一个对应的.xml文件,包含图像中每个实例的一个边界框。
- 数据集图像具有VV和VH极化。
- 论文链接:https://www.mdpi.com/2072-4292/12/18/2997/html
- 数据集链接:https://github.com/TianwenZhang0825/LS-SSDD-v1.0-OPEN
FUSAR-Ship数据集v1.0
- FUSAR-Ship数据集共有15个船舶类别、98个船舶子类别,由126幅覆盖各种场景的GF-3图像组成。这126幅图像的成像模式为超精细条带(UFS)模式。
- 包括超过5000个带有AIS信息的船舶切片和一些其他类型的海洋目标和背景杂波。
- 上述单波段船舶图像尺寸为512×512像素。
- 这些图像为.tiff格式,色彩深度为8位。
- 这些图像切片存储在以"类别/子类别"命名的子文件夹中。每个样本的文件名遵循以下约定:Ship_CxxSyyNzzzz.tiff,其中xx为类别索引,yy为子类别索引,zzzz为该特定样本的索引。
- 数据集图像具有VV和HH极化。
- 匹配的元数据编译在'meta.csv'或'meta.xls'文件中,格式为:id mmsi length width polarMode centerLookAngle heightspace widthspace path。
- 论文链接:https://link.springer.com/article/10.1007/s11432-019-2772-5
- 数据集链接:http://www.emwlab.fudan.edu.cn/resources/main.psp
SSDD (SAR船舶检测数据集) 2021
- 包含1160幅尺寸为500×350像素的SAR图像。
- 该数据集包括2358个船舶实例。
- SAR图像的空间分辨率从每像素1米到15米不等。
- 这1160幅图像来自RadarSat-2、TerraSAR-X和Sentinel-1卫星。
- 上述1160幅图像为.jpeg格式,24位色彩深度。
- 数据集图像具有混合的HH、HV、VV和VH极化。
- 在SSDD的新版本中,提供了三种标注信息:
- 水平边界框。
- 旋转边界框。
- 基于像素的分割。
- 上述标注采用Pascal VOC和MS COCO数据集格式,除了旋转边界框仅以Pascal VOC格式提供。
- 论文链接:https://www.mdpi.com/2072-4292/13/18/3690
- 数据集链接:https://drive.google.com/file/d/1glNJUGotrbEyk43twwB9556AdngJsynZ/view?usp=sharing
DSSDD (双极化SAR船舶检测数据集)
- 该数据集包含50幅来自Sentinel-1的双极化SAR图像。
- 上述图像被裁剪为1236幅256x256像素的图像切片。
- 这1236幅图像具有VV和VH极化,然后融合到R、G、B通道以创建伪彩色图像。
- 图像(.png)的色彩深度为每通道8位。
- 同时提供16位原始图像(.tif)。
- 该数据集包括3540个船舶实例。
- 每艘船都标注了可旋转边界框(RBox)和水平边界框(BBox)。
- 每个图像切片都有一个对应的XML格式标注文件,指示切片大小、切片名称和标注类型:
- RBox标签标记为"robndbox",其中"cx"、"cy"、"w"、"h"和"angle"分别表示框的中心坐标、高度、宽度和角度。
- 相应地,BBox标签标记为"bndbox",其中"xmin"、"xmax"、"ymin"、"ymax"分别表示框的左上角和右下角坐标。
- 论文链接:https://www.mdpi.com/1424-8220/21/24/8478
- 数据集链接:https://github.com/liyiniiecas/A_Dual-polarimetric_SAR_Ship_Detection_Dataset
SRSDD-v1.0(SAR旋转船舶检测数据集)
- 包含30幅中国高分三号卫星的全景SAR图像,距离向和方位向分辨率均为1米。
- 这些原始SAR图像采用聚束模式(SL),具有HH和VV极化。
- 上述图像被裁剪成666张尺寸为1024x1024像素的小图像。
- SRSDD-v1.0包含2884个船舶实例,分为6个不同类别:
- 矿石油轮(运输船)↦ 166个船舶实例
- 散货船 ↦ 2053个船舶实例
- 渔船 ↦ 288个船舶实例
- 执法船 ↦ 25个船舶实例
- 疏浚船 ↦ 263个船舶实例
- 集装箱船 ↦ 89个船舶实例
- 在数据集中,每个实例的位置都用一个带方向的四边形边界框[(x1, y1), (x2, y2), (x3, y3), (x4, y4)]标注。边界框的第一个点(x1, y1)表示起始点,即船舶的左上角。
- 每张图像的标注保存在同名的文本文件中。第一行给出"imagesource"。第二行给出"gsd"(地面采样距离=1)。从第三行到最后一行,给出每个实例的标注。
- 对于每个实例,提供一个"difficult"标签,表示该实例是否难以被检测(1表示困难,0表示不困难)。
- 论文链接:https://www.mdpi.com/2072-4292/13/24/5104
- 数据集链接:https://pan.baidu.com/s/1EonxuMSDVCnICwSsfWjYew 密码:aC1Q
xView3-SAR(多模态SAR船舶检测+特征化数据集)
- 991幅来自Sentinel-1的SAR场景,分辨率为20米,包含超过220,000个基于AIS的船舶/非船舶标注,带有长度信息。
- 每个xView3-SAR场景都有额外的配准水深、风速、风质量和其他辅助信息。
- 数据集总共约1,422千兆像素(比MS-COCO大4.7倍)。
- 每幅SAR图像采用干涉宽幅(IW)扫描模式。
- 标注通过复杂的AIS外推算法自动创建,并由人类专家手动验证。
- 每个标签都有与其长度相关的置信度指标,分为高、中、低三个等级。
- 论文链接:https://arxiv.org/abs/2206.00897
- 数据集链接:https://iuu.xview.us/
光学卫星数据集
HRSC2016(高分辨率船舶集合2016)
- 数据集包含1061张来自谷歌地球的图像。
- 上述1061张图像包括70张海洋图像(90个样本)和991张海陆图像(2886个样本)。
- 图像空间分辨率在0.4米至2米之间。
- 图像尺寸从300×300到1500×900不等,大多数大于1000×600,格式为.bmp。
- 上述1061张图像的色彩深度为24位(每通道8位)。
- HRSC2016数据集提供三种边界框信息:
- 水平边界框
- 旋转边界框
- 基于像素的分割
- 论文链接:https://www.scitepress.org/Papers/2017/61206/61206.pdf
- 数据集链接:https://www.kaggle.com/guofeng/hrsc2016
卫星图像中的船舶数据集
- 该特定数据集包括4000张图像,标注为"有船"或"无船"分类。
- 这4000张图像为.png格式,尺寸为80×80像素。
- 上述4000张图像的色彩深度为24位(每通道8位)。
- 图像块来源于PlanetScope全帧可见光场景产品,经过正射校正处理,像素大小为3米。
- "有船"类包括1000张图像,船体近乎居中。
- 包括不同大小、方向和大气采集条件下的船舶。
- 每个图像文件名遵循特定格式:{标签}{场景ID}{经度}_{纬度}.png
- 标签:值为1或0,分别代表"有船"类和"无船"类。
- 场景ID:图像块提取自的PlanetScope可见光场景的唯一标识符。
- 经度_纬度:图像中心点的经度和纬度坐标,值由单个下划线分隔。
- 数据集链接:https://www.kaggle.com/rhammell/ships-in-satellite-imagery
空客船舶检测挑战赛数据集
- 该特定数据集包含192556张尺寸为768×768像素的图像。
- 这192556张图像包含81723个船舶实例。
- 上述192556张图像分辨率为96 dpi,格式为.jpeg。
- 这些图像的色彩深度为24位(每通道8位)。
- 每张图像都有一个对应的.csv文件。
- 上述.csv文件包含该特定图像中每个船舶实例的带方向矩形掩模的编码像素坐标。
- 数据集链接:https://www.kaggle.com/c/airbus-ship-detection/data
xView数据集
- xView数据集包含超过1400平方公里图像中的100万个物体,跨越60个类别,由国防创新实验单位(DIUx)和国家地理空间情报局(NGA)发布。
- 它由1414张大场景图像(GeoTIFF格式)组成,尺寸范围从2772×2678到5121×3023像素不等。
- 这些数据由WorldView-3卫星以0.3米地面采样距离采集。
- GeoTIFF文件分为两组:RGB和8波段。8波段集包含标记为image_id.tif的8波段多光谱GeoTIFF图像,其中image_id是唯一整数。同样,RGB集包含使用相同命名约定的泛锐化3波段RGB GeoTIFF图像。
- 上述60个细粒度类别以父类-子类方式标记。有七个不同的父类,即固定翼飞机、客车、卡车、铁路车辆、海上船只、工程车辆和建筑物(某些子类没有父类)。
- 海上船只类包含九个子类:摩托艇、帆船、拖船、驳船、渔船、渡轮、游艇、集装箱船和油轮。
- 每组图像都有一个对应的geoJSON文件。geoJSON文件中的字段包括:
- TYPE_ID:边界框标签类别ID。
- CAT_ID:DigitalGlobe对图像条带的唯一ID。
- IMAGE_ID:标记特征的图像块文件名。
- BOUNDS_IMCOORDS:标记特征的图像块中边界框的像素坐标[xmin, ymin, xmax, ymax]。
- COORDINATES:边界框点的经度-纬度形式坐标。
- 论文链接:https://arxiv.org/abs/1802.07856
- 数据集链接:https://challenge.xviewdataset.org/download-links
DOTA(航空图像目标检测数据集)
- 由2806张尺寸约为4000×4000像素的图像组成。
- 该数据集包含15个不同类别,但只有14个主要类别(因为小型车辆和大型车辆都是车辆的子类别)。
- 这2806张图像包含43736个船舶实例。
- 该数据集的图像来自多个传感器和平台,具有多种分辨率(谷歌地球、高分二号和JL-1)。
- 在数据集中,每个实例的位置都用一个带方向的四边形边界框[(x1, y1), (x2, y2), (x3, y3), (x4, y4)]标注。边界框的第一个点(x1, y1)表示起始点,即船舶的左上角。
- 每张图像的标注保存在同名的文本文件中。第一行给出"imagesource"。第二行给出"gsd"(地面采样距离)。从第三行到最后一行,给出每个实例的标注。
- 对于每个实例,提供一个"difficult"标签,表示该实例是否难以被检测(1表示困难,0表示不困难)。
- 论文链接:https://vision.cornell.edu/se3/wp-content/uploads/2018/03/2666.pdf
- 数据集链接:https://captain-whu.github.io/DOTA/dataset.html
TGRS-HRRSD(高分辨率遥感目标检测)
- 包含21761张从Google Earth和百度地图获取的图像,空间分辨率从0.15米到1.2米不等。
- TGRS-HRRSD包含13个目标类别和55740个目标实例。
- 这13个类别是:船舶、飞机、棒球场、篮球场、桥梁、十字路口、田径场、港口、停车场、储罐、T型路口、网球场和车辆。
- 上述21761张图像大小各异,为24位色深的.jpeg格式。
- TGRS-HRRSD数据集包含3975个船舶实例。
- 每张图像都有一个对应的.xml文件,其中包含图像尺寸、类别名称,以及图像中每个实例的边界框四个坐标(左下和右上点)。
- 论文链接:-
- 数据集链接:https://www.kaggle.com/haashaatif/tgrshrrsd-dataset
MASATI-v2(海事卫星图像数据集)
- 该特定数据集包含7389张图像,平均尺寸为512×512像素。
- 上述7389张图像从微软必应地图获取,以.png格式存储。
- 在这个数据集中,每张图像都根据以下七个类别进行了手动标注:
- 陆地:1078张图像 | 主类:非船舶 | 描述:陆地(无船舶)。
- 海岸:1132张图像 | 主类:非船舶 | 描述:海岸(无船舶)。
- 海洋:1022张图像 | 主类:非船舶 | 描述:海洋(无船舶)。
- 船舶:1027张图像 | 主类:船舶 | 描述:有船舶的海洋(无海岸)。
- 多船:304张图像 | 主类:船舶 | 描述:多艘船舶。
- 海岸-船舶:1037张图像 | 主类:船舶 | 描述:有船舶的海岸。
- 细节:1789张图像 | 主类:船舶 | 描述:船舶细节(大型船舶)。
- 这些标注以PASCAL VOC注释格式存储在XML文件中。
- 上述.xml文件包含图像尺寸和通道数、实例的类别名称,以及每个实例对应边界框的四对像素坐标。
- 论文链接:https://www.mdpi.com/2072-4292/10/4/511
- 数据集链接:https://www.iuii.ua.es/datasets/masati/
DIOR(光学遥感图像目标检测)
- DIOR包含23463张光学遥感图像和192472个手动标注的轴对齐边界框目标实例,涵盖20个常见目标类别。
- 数据集中的图像尺寸为800×800像素,空间分辨率范围从0.5米到30米。
- 上述图像从Google Earth获取。
- 23463张图像中的2702张包含约63000个船舶实例。
- 论文链接:https://arxiv.org/abs/1909.00133
- 数据集链接1:https://pan.baidu.com/s/1Fc-zJtHy-6iIewvsKWPDnA
- 数据集链接2:http://www.escience.cn/people/gongcheng/DIOR.html
FGSD(细粒度船舶检测)
- 该特定数据集包含来自中国、日本、美国和西班牙等17个大型港口的2612张图像。
- 上述图像尺寸为930×930像素,空间分辨率范围从0.12米到1.93米。
- 这些图像包含5634个船舶实例。
- 数据集中有43个船舶类别和一个"码头"类别。
- 这43类船舶被划分为4个二级类别,包括军舰、航母、潜艇和民用船舶。所有船舶共享相同的一级标签"船舶"。
- 1个一级类别:船舶
- 4个二级类别:军舰、航母、潜艇和民用船舶
- 43个三级类别:集装箱船、油轮、游艇、气垫船等
- FGSD中的船舶样本同时使用常规边界框和旋转边界框进行标注。旋转边界框标注为(xc, yc, w, h, θ)。
- 每张图像都有一个对应的注释文件,其中包括源港口ID、图像分辨率和相应的Google Earth分辨率级别。
- 论文链接:https://arxiv.org/abs/2003.06832
- 数据集:发邮件至:ckyan@bupt.edu.cn
PSDS(秘鲁船舶数据集)
- 包含1310张尺寸为900×900像素的图像。
- 这1310张图像包含9662个船舶实例。
- PSDS由22张PERUSAT-1卫星图像创建,空间分辨率为0.7米。
- 上述图像中的每个实例都用水平边界框标注。
- 论文链接:https://iopscience.iop.org/article/10.1088/1742-6596/1642/1/012003
- 数据集链接:-
MSDS(迷你船舶数据集)
- 该特定数据集由2993张900×900像素的图像组成。
- MSDS使用Google Earth卫星图像生成。
- 提取的2993张图像包含4710个船舶实例。
- 上述图像中的每个实例都用水平边界框标注。
- 论文链接:https://iopscience.iop.org/article/10.1088/1742-6596/1642/1/012003
- 数据集链接:-
FGSCR-42(遥感图像中的细粒度船舶分类)
- 包含9320张不同空间分辨率的光学卫星图像。
- 这些图像包含9320个船舶实例(因为是分类任务,所以1张图像 = 1个实例)。
- FGSCR-42中的图像尺寸范围从约50×50到约1500×1500像素不等。
- 该数据集包含42个不同类别,源自10个主要船舶类别:
- 航空母舰 ↦ 8个类别
- 巡洋舰 ↦ 1个类别
- 驱逐舰 ↦ 10个类别
- 攻击舰 ↦ 3个类别
- 登陆舰 ↦ 4个类别
- 运输坞 ↦ 2个类别
- 支援舰 ↦ 3个类别
- 战斗舰 ↦ 2个类别
- 护卫舰 ↦ 2个类别
- 民用船舶 ↦ 7个类别
- 该数据集中的图像收集自多个数据集,如DOTA、HRSC2016、NWPUVHR-10等。
- 论文链接:https://www.mdpi.com/2072-4292/13/4/747
- 数据集链接:https://pan.baidu.com/s/1eXplDfB5fCBPm7WMcFKZkg 密码:9xx8
ShipRSImageNet
- ShipRSImageNet包含超过3435张图像,共17573个船舶实例,同时标注了水平和定向边界框。
- 上述3435张图像来自各种传感器、卫星平台、地点和季节。
- 每张图像约为930×930像素,包含不同尺度、方向和纵横比的船舶。
- 图像的空间分辨率范围从0.12到6米。
- 这3435张图像收集自:
- xView数据集(532张图像)。
- HRSC2016数据集(1057张图像)。
- FGSD数据集(1846张图像)。
- Airbus船舶检测挑战赛(21张图像)。
- 中国卫星,如高分-2和吉林-1(17张图像)。
- ShipRSImageNet中的船舶分为四个级别(0-3)和50个类别(49种船舶类型和"码头")。
- 级别0区分对象是否为船舶,即"类"。级别1进一步分类船舶对象类别,称为"类别"。级别2在级别1的基础上进一步细分类别("子类别")。级别3是具体的船舶类型,称为"类型"。
- ShipRSImageNet被划分为训练集、验证集和测试集,分别包含原始图像的64%(2198张)、16%(550张)和20%(687张)。
- 每个船舶实例都有一组对应的标注,包括:
- 水平边界框 ↦ (xmin, ymin, xmax, ymax)。
- 定向边界框 ↦ (xc, yc, w, h, θ)。
- 多边形标注 ↦ (x1, y1, x2, y2, x3, y3, x4, y4)。
- 上述标注以Pascal VOC和MS COCO数据集格式提供。
- 论文链接:https://ieeexplore.ieee.org/document/9512396
- 数据集链接:https://drive.google.com/file/d/1wApkaSoa9mXRfXQiq6lTtlVrv4cSc6vv/view
S2-SHIPS
- 该数据集包含16张海岸线、港口和苏伊士运河的L2A(地表反射率)图像。
- 这些图像源自原始Sentinel-2图像,尺寸为1783 × 938像素。
- 上述图像包含1053个不同的船舶实例,面积从100到5000平方米不等。
- 每张图像都是不同的场景,提供以下内容:
- 12个经过大气校正的Sentinel-2波段(.tiff格式)。
- NDWI指数(.tiff和.png格式)。
- 真彩色图像(.tiff和.jpg格式)。
- RGB图像(.png格式)。
- 图像分割掩码(.png格式)。
- 水体掩码(.tiff格式)。
- 上述带地理参考的图像(.tiff格式)均重投影至EPSG 3857坐标系,数据类型为UInt16。
- 场景的带地理参考图像具有相同的空间分辨率,约为10米。
- 分割掩码也以Numpy文件格式(.npy)提供。
- 还提供了包含分割掩码和水平边界框的.json注释文件。
- 上述注释遵循MS COCO数据集格式的约定。
- 该数据集包含3个类别,ID为{1, 3, 4},分别命名为"船舶"、"存疑"和"停泊船舶"。
- 还提供了6个预训练的骨干网络(.pth文件)。
- 论文链接:https://www.mdpi.com/2072-4292/13/21/4255
- 数据集链接:https://drive.google.com/file/d/1zDgz6wr5kxikPR7o9nJ2IjMcaqwtiLLu/view
GF1-LRSD
- 该数据集的图像来自高分一号(WFV)1A级场景。
- GF1-LRSD包含4406张512x512像素大小的8位色深图像。
- 上述图像共包含7172个船舶实例。
- 图像的空间分辨率为每像素16米。
- 目标标注采用水平矩形框,遵循PASCAL VOC格式。
- 每个矩形框由其左上角和右下角的坐标定义(xmin, ymin, xmax, ymax)。
- 论文链接:https://www.mdpi.com/2072-4292/13/19/3890/html
- 数据集链接:-
VHRShips
- VHRShips包含从谷歌地球收集的52个位置的6312张图像。
- 上述数据集包括1000张无船图像和5312张有单艘或多艘船舶的图像。
- 所有图像均在500米眼高级别收集,采用高清空间分辨率格式(谷歌地球)。
- 这些图像人为设定相同的空间分辨率,为每像素43厘米。
- 上述图像有3个通道(RGB),尺寸为720x1280像素。
- 每个船舶实例都有一个对应的水平边界框。
- 上述标注由其左上角和右下角的坐标定义。
- VHRShips数据集包含24个父类和11个子类,共11,179个船舶实例。
- 父类包含一个与海军舰艇相关的类别和23个民用船舶类型。
- 只有"海军"父类包含11个子类(护卫舰、潜艇等)。
- 论文链接:https://www.mdpi.com/2220-9964/11/8/445
- 数据集链接:https://github.com/radres333/VHRShips
SDS(船舶检测和分割数据集)
- 该数据集包含1984张港口、海岸线、浅水区和广阔海洋的图像。
- 这些数据在不同条件下收集,如拍摄时间、船舶位置和气候变化。
- 上述图像尺寸为3000 × 3000像素,从谷歌地球平台收集。
- 这些图像共包含13,487个船舶实例。
- 上述船舶实例分为5个不同的船舶类别:
- 货船:3759个实例
- 油轮:399个实例
- 航空母舰:87个实例
- 海事船舶:8419个实例
- 军舰:823个实例
- SDS中的船舶样本用旋转边界框和相应的掩码进行标注。
- 上述分割掩码包含所有可用场景的海陆分割。
- 论文链接:https://www.mdpi.com/1424-8220/22/23/9491
- 数据集链接:-