Inria 航空影像数据集

数据集介绍：

Inria 航空影像标注解决了遥感中的一个核心主题：航空影像的自动像素级标注（论文链接）。

数据集特点：

覆盖面积 810 平方公里（405 平方公里用于训练，405 平方公里用于测试）

空间分辨率为 0.3 m 的航空正射校正彩色图像

两个语义类的地面实况数据：构建和非构建（仅针对训练子集公开披露）

这些图像涵盖了不同的城市住区，从人口稠密的地区（例如，旧金山的金融区）到高山城镇（例如，奥地利蒂罗尔的 Lienz）。

不是将相同图像的相邻部分拆分为训练和测试子集，而是将不同的城市包含在每个子集中。例如，芝加哥上空的图像包含在训练集（而不是测试集）中，旧金山上空的图像包含在测试集（而不是训练集）中。该数据集的最终目标是评估这些技术的泛化能力：虽然芝加哥图像可用于训练，但系统应标记其他地区的航空图像，具有不同的照明条件、城市景观和一年中的时间。

Citation

Emmanuel Maggiori, Yuliya Tarabalka, Guillaume Charpiat and Pierre Alliez. “Can Semantic Labeling Methods Generalize to Any City? The Inria Aerial Image Labeling Benchmark”. IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2017.

BibTeX–Paper

Papers With Code highlights trending Machine Learning research and the code to implement it.

GitHub is where over 94 million developers shape the future of software, together. Contribute to the open source community, manage your Git repositories, review code like a pro, track bugs and features, power your CI/CD and DevOps workflows, and secure code before you commit it.

常规目标检测数据集有很多，现在前沿的目标检测算法（如Faster R-CNN, Yolo, SSD, Mask R-CNN等）基本都是在这些常规数据集上实验的，但是，基于常规数据集训练的分类器，在航空遥感图像上的检测效果并不好，主要原因是航空遥感图像有其特殊性：1，尺度多样性，航空遥感图像从几百米到近万米的拍摄高度都有，且地面目标即使是同类目标也大小不一，如港口的轮船大的有300多米，小的也只...

15个目标检测开源数据集汇总 人脸识别常用开源数据集大全 10个开源工业检测数据集汇总 21个深度学习开源数据集分类汇总 图像分类、图像识别等开源数据集汇总AI-TOD航空

常规目标检测数据集有很多，现在前沿的目标检测算法（如Faster R-CNN, Yolo, SSD, Mask R-CNN等）基本都是在这些常规数据集上实验的，但是，基于常规数据集训练的分类器，在航空