NWPU VHR-10 dataset|遥感图像数据集|目标检测数据集

NWPU VHR-10数据集是一个包含10个类别地理空间目标检测的挑战性数据集。该数据集共包含800张VHR光学遥感图像，其中715张彩色图像来自Google Earth，空间分辨率在0.5至2米之间，85张全色锐化彩色红外图像来自Vaihingen数据，空间分辨率为0.08米。数据集分为两部分：a) 正图像集，包含至少一个目标的650张图像；b) 负图像集，包含150张不包含任何目标的图像。从正图像集中，手动标注了757架飞机、302艘船只、655个储罐、390个棒球场、524个网球场、159个篮球场、163个田径场、224个港口、124座桥梁和477辆车辆，使用边界框和实例掩码作为地面实况。

原始信息汇总

数据集概述

数据集名称：VHR-10_dataset_coco

数据集描述： VHR-10_dataset_coco 是一个针对高分辨率遥感图像（VHR）的对象检测和实例分割数据集。该数据集基于NWPU VHR-10数据集，按照COCO数据集标准进行标注。NWPU VHR-10数据集包含10个类别的地理对象检测，总计800张图像，其中715张彩色图像来自Google Earth，空间分辨率在0.5至2米之间，85张彩色红外图像来自Vaihingen数据，空间分辨率为0.08米。

数据集组成：

• 正样本集：包含至少一个目标的650张图像。
• 负样本集：不包含任何目标的150张图像。

标注信息：

• 正样本集中，共有757架飞机、302艘船、655个储油罐、390个棒球场、524个网球场、159个篮球场、163个田径场、224个港口、124座桥梁和477辆车辆被手动标注了边界框和实例掩码。

数据集结构：

├── show_coco.py # 可视化脚本 ├── NWPU VHR-10_dataset_coco ├──正样本集 # 650张图像 ├── [.jpg] ├── ... ├── [.jpg]

├──annotations.json # 650个标签
├──split_datasets.py # 随机分割数据集脚本

数据集下载：

• 下载链接：NWPU VHR-10数据集

引用信息

若使用此数据集，请按以下格式引用：

[1] Hao Su, Shunjun Wei, Min Yan, Chen Wang, Jun Shi, Xiaoling Zhang, "OBJECT DETECTION AND INSTANCE SEGMENTATION IN REMOTE SENSING IMAGERY BASED ON PRECISE MASK R-CNN," IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, Yokohama, 2019.

AI搜集汇总

数据集介绍

构建方式

NWPU VHR-10数据集的构建基于高分辨率（VHR）光学遥感图像，涵盖了从Google Earth获取的715张彩色图像和从Vaihingen数据获取的85张融合彩色红外图像。这些图像的空间分辨率范围从0.08米到2米不等。数据集分为包含目标的正图像集（650张）和不包含目标的负图像集（150张）。正图像集中的目标包括飞机、船只、储油罐等十类，共计3726个目标，均通过人工标注的方式添加了边界框和实例掩码，以确保数据集的高质量与准确性。

特点

NWPU VHR-10数据集以其高分辨率和多样化的目标类别著称，适用于遥感图像中的目标检测和实例分割任务。数据集的图像来源广泛，包括Google Earth和Vaihingen数据，确保了图像的多样性和代表性。此外，数据集中的目标类别丰富，涵盖了从大型基础设施到小型车辆的多种对象，为研究者提供了丰富的训练和测试资源。

使用方法

使用NWPU VHR-10数据集时，首先需下载数据集并按照指定目录结构进行组织。数据集包含650张正图像及其对应的标注文件，标注文件以COCO格式存储，便于直接导入到支持COCO格式的深度学习框架中。用户可以通过提供的脚本对数据集进行可视化，或使用split_datasets.py脚本进行数据集的随机划分。此外，安装pycocotools库有助于更高效地处理和分析数据集。

背景与挑战

背景概述

NWPU VHR-10数据集是一个具有挑战性的十类地理空间目标检测数据集，由西北工业大学（NWPU）提供。该数据集包含800张高分辨率（VHR）光学遥感图像，其中715张彩色图像来自Google Earth，分辨率范围为0.5至2米，85张融合彩色红外图像来自Vaihingen数据，分辨率为0.08米。数据集分为正样本集和负样本集，正样本集包含至少一个目标的650张图像，负样本集包含150张无目标的图像。通过对正样本集的手动标注，数据集涵盖了飞机、船只、储油罐等十类目标，为遥感图像的目标检测和实例分割提供了丰富的数据资源。

当前挑战

NWPU VHR-10数据集在构建过程中面临多重挑战。首先，高分辨率遥感图像的获取和处理需要高精度的技术支持，以确保图像质量和目标识别的准确性。其次，不同来源的图像在分辨率和成像条件上存在显著差异，增加了数据预处理的复杂性。此外，手动标注大量图像中的目标边界框和实例掩码是一项耗时且易出错的工作，对标注人员的专业性和一致性提出了高要求。这些挑战共同构成了该数据集在实际应用中的主要障碍。

常用场景

经典使用场景

在遥感图像处理领域，NWPU VHR-10数据集以其高分辨率的光学遥感图像和丰富的目标标注而著称。该数据集广泛应用于物体检测和实例分割任务中，特别是在高分辨率遥感图像中识别和定位飞机、船舶、储油罐等多种地物目标。通过结合COCO数据集的标准格式，NWPU VHR-10数据集为研究人员提供了一个标准化的测试平台，促进了遥感图像分析技术的进步。

实际应用

在实际应用中，NWPU VHR-10数据集被广泛用于军事侦察、城市规划、灾害监测等领域。例如，通过该数据集训练的模型可以高效地识别和定位军事设施、城市基础设施等重要目标，为决策者提供精准的数据支持。此外，该数据集在灾害监测中也有重要应用，能够快速识别受灾区域的关键设施，提高救援效率。

衍生相关工作

NWPU VHR-10数据集的发布催生了一系列相关研究工作。例如，基于该数据集的物体检测和实例分割算法研究，推动了遥感图像处理技术的进步。此外，该数据集还被用于开发新的深度学习模型，如改进的Mask R-CNN，以提高遥感图像中目标识别的准确性和效率。这些衍生工作不仅丰富了遥感图像处理的研究内容，也为实际应用提供了技术支持。