RSOD遥感图像数据集

数据集介绍：

它是一个开放的遥感图像目标检测数据集。数据集包括飞机、油箱、游乐场和立交桥。此数据集的格式为PASCAL VOC。

数据集包括4个文件，每个文件用于一种对象。

1. 飞机数据集，446张图片中有4993架飞机。
2. 操场，189张图片中的191个操场。
3. 天桥，176张图片中的180座天桥。
4. 油箱，165张图片中的1586个油箱。

Please cite our papers if the dataset is useful for you.

1. Y. Long, Y. Gong, Z. Xiao and Q. Liu, "Accurate Object Localization in Remote Sensing Images Based on Convolutional Neural Networks," in IEEE Transactions on Geoscience and Remote Sensing, vol. 55, no. 5, pp. 2486-2498, May 2017. doi: 10.1109/TGRS.2016.2645610,link
2. Z Xiao, Q Liu, G Tang, X Zhai, "Elliptic Fourier transformation-based histograms of oriented gradients for rotationally invariant object detection in remote-sensing images", International Journal of Remote Sensing, vol. 36, no. 2, 2015

参考： 一、DOTA：A Large-scale Dataset for Object

图片缺少标注，我直接删除了多余的40张操场照片
飞机：446 张图，包含 4993 架飞机；
操场：189 张图，包含 191 个操场；
立交桥：176 张图，包含 180 座立交桥；
油桶：165 张图，包含 1586 个油桶。 - 飞桨AI Studio

有关论文集: DOTA：A Large-scale Dataset for Object Detection in Aerial Images。这是武大遥感国重实验室夏桂松和华科电信学院白翔联合做的一个数据集，2806张遥…

 遥感目标检测数据集

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。

目前，基于遥感影像的目标检测是遥感图像处理领域的重要研究方向。传统的目标检测识别方法难以适应海量数据，其所依赖的特征表达式通过人工设计的，这样非常不好，并且强烈依赖于专业知识和数据本身的特征，而且很难从海量的数据中学习出一个有效的分类器以充分挖掘数据之间的关联。而深度学习强大的高级（更具抽象和语义意义）特征表示和学习的能力可以为影像中的目标提取提供有效的框架。相关研究包括车辆检测，船舶检测，农作物检测，建筑物等地物检测。

遥感数据的对象（Object）是根据数据/图像的属性及邻域关系和空间位置等约束条件，将内部同质性一致的一系列像元归并而形成的像元组。从像元角度看对象是被归并为一组相邻像元的组合，从图像看是被分割成了一系列的图像单元或者子图像。

有很多数据或者计算机代码实例等都被称为对象，本章讨论的对象是特指这些相邻的像元组或子图像。此对象非彼对象，在此进行特别澄清，防止混淆。

对象内部像元要求相邻，不邻接的像元不属于一个对象。通常对于对象内部特征有一定的同质性要求，需要内部属性均一，但也不总是必需的。例如棋盘分割等一些分割方法只根据空间位置划分对象而不顾及对象的内部属性（Attributes）和特征（Features）。

通过对象的划分，人们就可以从对象层次来分析和处理遥感数据而不必逐像素处理，使遥感数据处理更有效更合理。对象分割在现代遥感信息处理中的重要性是不言而喻的，某种程度上，精确的对象划分和特征提取是分类、目标识别等应用分析的重要前提。对象分割相比分类方法等同样具有重要应用意义也更有挑战性，并且是遥感数据分析成功与否和质量好坏的关键环节。

对象分割依据也有很多，根据需要不同，可以选择不同的分割策略。比方要求对象的某些属性内部均一，这些属性可以是图像特征、光谱数据分布等。或者对象分割可以更注重空间关系、对象个体大小和排列均匀一致性。或者还有其它算法更注重对象内部同质性水平而不在乎外部形状等。在实现方法上也有很多技术见诸文献，这里不再赘述。RSD的对象分割设计了基于图像特征、植被指数特征、水指数特征和用户根据公式自定义组合的分割方式。实际上通过用户自定义公式可以实现任意多不受限制的对象分割依据。需要特别提及的是目前所见的分割依据基本都是基于图像的，RSD将其扩展到了更大的选择范围。期望根据图像特征以外的其它特征的分割与分类特征提取保持一致得到更理想的分类效果或者变化检测、目标识别等分析结果。

RSD缺省对象分割方法首选一种称之为分水岭的对象分割算法，分割过程使用了多分辨率合成等方法进行综合技术处理。其它对象分割方法如棋盘分割和4叉树分割仅做为备用的选项。总体来说RSD的算法对对象形状、大小、邻接等要求相对宽松，但更强调内部同质性的均匀一致，这是根据遥感数据分析特点进行的针对性设计。