首发于遥感目标检测
遥感目标检测数据集及竞赛

遥感目标检测数据集及竞赛

【数据集】

  • DOTA-v1.0: A Large-scale Dataset for Object Detection in Aerial Images, [数据集地址]. 武大遥感国重实验室-夏桂松和华科电信学院-白翔等合作做的一个航拍图像数据集，目前最大的光学遥感图像数据集 (图像来源 GoogleEarth 和两颗中国的卫星 GF-2，JL-1)。该数据集共包含2806张遥感图像（图片尺寸从 800*800 到 4000*4000），一共188,282个实例，分为15个类别：飞机、船只、储蓄罐、棒球内场、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。官方使用1/2的图像作为训练集，1/6作为验证集，1/3作为测试集。测试集没有公开，需要上传至服务器。


  • DOTA-v1.5: 该数据集即为 CVPR2019 Challenge on Object Detection in Aerial Images, [数据集地址]. 一共40万个实例，分为16个类别（相比 DOTA-v1.0 添加了集装箱起重机这个类别）。图像和 DOTA-v1.0完全相同，2806张。补全了许多在 DOTA-v1.0 中丢失的大约10像素以下的实例标注。



  • RSOD: 武汉大学, [数据集地址]. 含 976张图片 (Google Earth and Tianditu) 和6950个实例，空间分辨率从 0.3m 到 3m。 包含飞机、操场、立交桥、油桶四类目标，数目分别为：4993 架飞机，191 个操场，180 座立交桥，1586 个油桶该数据集于 2015 年由发布。


  • HRSC2016: 西北工业大学, [数据集地址]. 用于舰船检测，含1070张图片 (Google Earth) 和2976个实例，使用旋转框标注。


  • DLR 3K Vehicle: 用于车辆检测，包含20张5616*3744的图片, 空间分辨率为13cm，14235个实例。在德国慕尼黑1000米的空中使用DLR 3K 摄像机 (一种近乎实时的机载数字监控系统) 拍摄的汽车，使用旋转框标注。


  • UCAS‐AOD: 中科大, [数据集地址]. 用于飞机和车辆检测，飞机数据集由600张3210架飞机的图像组成，而车辆数据集由310张2819架车辆的图像组成。所有的图像都经过精心选择，使数据集中的目标方向分布均匀。


  • VEDAI: [数据集地址], VEDAI数据集用于航空图像中的多类车辆检测。它包含3640个车辆实例，包括9个类别，包括船、车、露营车、飞机、接送车、拖拉机、卡车、货车和其他类别。该数据集共包含来自 犹他州AGRC 的1210张1024×1024的航空图像，空间分辨率12.5 cm。数据集中的图像采集于2012年春季，每张图像都有四个未压缩的彩色通道，包括三个RGB彩色通道和一个近红外通道。


  • NWPU VHR‐10: 西北工业大学, [数据集地址]. 含10个地理空间对象类，包括飞机、棒球场、篮球场、桥梁、港口、地面田径场、船舶、储罐、网球场和车辆。它由715幅RGB图像和85幅锐化彩色红外图像组成。其中715幅RGB图像采集自谷歌地球，空间分辨率从0.5m到2m不等。85幅经过pan‐锐化的红外图像，空间分辨率为0.08m，来自Vaihingen数据。该数据集共包含3775个对象实例，其中包括757架飞机、390个棒球方块、159个篮球场、124座桥梁、224个港口、163个田径场、302艘船、655个储罐、524个网球场和477辆汽车，这些对象实例都是用水平边框手工标注的。


  • COWC: [数据集地址]. 包含53张图片，32716个车辆实例，旋转框标注。


  • SZTAKI‐INRIA: 用于对各种建筑检测方法进行基准测试。它由665栋建筑组成，手工标注了定向边界框，分布在来自曼彻斯特(英国)、萨达和布达佩斯(匈牙利)、科达·阿苏尔和诺曼底(法国)以及博登西(德国)的9幅遥感图像中。所有的图像只包含红色(R)、绿色(G)和蓝色(B)三个通道。其中，两幅图像(Szada和Budapest)是航空图像，其余七幅图像是来自QuickBird、IKONOS和谷歌Earth的卫星图像。


  • TAS: 用于航空图像中的汽车检测。它总共包含30张图片和1319辆带有任意方向手动标注的汽车。这些图像的空间分辨率相对较低，由建筑物和树木造成的阴影较多。



【竞赛】


DOTA

  • 主页
  • 数据集：即 DOTA-v1.0，一共40万个实例，分为15个类别。
  • 评价指标：mAP，分为旋转框和水平框两个赛道
  • 结果【更新时间 2019.10.29】：

旋转框：

  • 第一名：武汉大学 dingjian [CVPR2019论文], Faster R-CNN OBB + RoI Transformer
  • 第二名：南京理工大学 pca_lab, Improved Cascade R2CNN
  • 第三名：中科院空天信息研究所 赛博智能
  • 第四名：中科院电子所 NIST-czh，

水平框：

  • 第一名：武汉大学 dingjian [CVPR2019论文], Faster R-CNN OBB + RoI Transformer
  • 第二名：南京理工大学 pca_lab, Improved Cascade R2CNN
  • 第三名：清华大学 geo
  • 第四名：国科大 yangxue



CVPR2019 Challenge on Object Detection in Aerial Images

  • 主页
  • 数据集：即 DOTA-v1.5，一共40万个实例，分为16个类别（相比 DOTA-v1.0 添加了集装箱起重机这个类别）。图像和 DOTA-v1.0完全相同，2806张。补全了许多在 DOTA-v1.0 中丢失的大约10像素以下的实例标注。
  • 评价指标：mAP，分为旋转框和水平框两个赛道

旋转框：

  • 第一名：中国科学技术大学 USTC-NELSLIP [arxiv]
  • 第二名：南京理工大学 pca_lab
  • 第三名：中科院电子所 NIST-czh
  • 第四名：中科院空天信息研究所 赛博智能

水平框：

  • 第一名：南京理工大学 pca_lab
  • 第二名：中国科学技术大学 USTC-NELSLIP
  • 第三名：中科院空天信息研究所 AICyber
  • 第四名：西电&华为云 wonderwall


遥感图像稀疏表征与智能分析竞赛

  • 主页
  • 数据集：DOTA-v1.6？，一共40万个实例，分为18个类别（相比 DOTA-v1.5 添加了机场和直升机场这2个类别），仅用于比赛，不能发论文
  • 评价指标：mAP，只有旋转框赛道
  • 结果：
  1. 中科院电子所 NIST-czh
  2. 中科院空天信息研究所 赛博智能
  3. 北京邮电大学 BUPT_CAD
  4. 电子科技大学 IVIPC-DET



近几年学术论文调研汇总

2020

Rotation-aware and multi-scale convolutional neural network for object detection in remote sensing images


2019：

  • R3Det: Refined Single-Stage Detector with Feature Refinement for Rotating Object，【上海交通大学】，一阶段旋转框：RetinaNet+FRM（类似于roiAlign）
  • SCRDet: Towards More Robust Detection for Small, Cluttered and Rotated Objects，【国科大】
  • Learning RoI Transformer for Detecting Oriented Objects in Aerial Images. 【武汉大学】，
  • X-LineNet: Detecting Aircraft in Remote Sensing Images by a pair of Intersecting Line Segments【国科大&中科院】，通过一对相交线检测遥感图像中的飞机
  • Adaptive Period Embedding for Representing Oriented Objects in Aerial Images【中国科学技术大学】, 提出了 Adaptive Period Embedding (APE) 和 Length Independent IoU (LIIoU)
  • A Novel Data Augmentation Method for Detection of Specific Aircraft in Remote Sensing RGB Images. 【哈尔滨工程大学】，将真实的遥感图像与特定的飞机三维模型相结合，以形成模拟图像
  • A 2 RMNet : Adaptively Aspect Ratio Multi-Scale Network for Object Detection in Remote Sensing Images. 【电子科技大学】，一种端到端自适应长宽比多尺度网络（A2RMNet）
  • An Efficient Method of Detection and Recognition in Remote Sensing Image Based on multi-angle Region of Interests. 【北航&国科大】，旋转RoI，猜测用于占坑，没有写具体方法，已经弃坑
  • Automatic Detection of Track and Fields in China from High-Resolution Satellite Images Using Multi-Scale-Fused Single Shot MultiBox Detector, 【国科大】，改良SSD，加入 deconvolution 和 concat
  • CAD-Net: A Context-Aware Detection Network for Objects in Remote Sensing Imagery. 【南洋理工大学】


2018：

  • You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery【CosmiQWorks,In-Q-Tel】
编辑于 2020-08-22 15:24
计算机视觉
目标检测
遥感图像处理

文章被以下专栏收录