目标检测数据集

光学目标检测

数据集名称	DIOR
数据集链接	https://opendatalab.com/DIOR
数据集简介	“DIOR”是一个用于光学遥感图像目标检测的大规模基准数据集。数据集包含23463个图像和192472个实例，涵盖20个对象类。这20个对象类是飞机、机场、棒球场、篮球场、桥梁、烟囱、水坝、高速公路服务区、高速公路收费站、港口、高尔夫球场、地面田径场、天桥、船舶、体育场、储罐、网球场、火车站、车辆和风磨。
论文	https://arxiv.org/abs/1909.00133?context=cs.CV

---

数据集名称	DOTA
数据集链接	https://captain-whu.github.io/DOTA/index.html
数据集简介	DOTA是用于航空图像中目标检测的大规模数据集。它可以用于开发和评估航空影像中的物体检测。对于DOTA数据集，它包含来自不同传感器和平台的2806个航拍图像。每个图像的大小在大约800×800到4000×4000像素的范围内，并且包含各种比例，方向和形状的对象。这些DOTA图像由航空影像解释专家分类为15个常见对象类别。完全注释的DOTA图像包含188、282个实例，每个实例都由任意（8自由度）四边形标记。
论文	https://arxiv.org/abs/1711.10398

---

数据集名称	RSOD
数据集链接	https://github.com/RSIA-LIESMARS-WHU/RSOD-Dataset-
数据集简介	RSOD是一个开放的目标检测数据集，用于遥感图像中的目标检测。数据集包含飞机，油箱，运动场和立交桥，以PASCAL VOC数据集的格式进行标注。数据集包括4个文件夹，每个文件夹包含一种对象：1.飞机数据集，446幅图像中的4993架飞机。 2.操场，189副图像中的191个操场。 3.立交桥，176副图像中的180座立交桥。4.油箱，165副图像中的1586个 油箱。
论文	https://arxiv.org/abs/1909.00133?context=cs.CV

---

数据集名称	NWPU VHR-10
数据集链接	https://pan.baidu.com/s/1hqwzXeG#list/path=%2F
数据集简介	NWPU VHR-10数据集是仅用于研究的公开提供的10类地理空间物体检测数据集，这十类物体是飞机，轮船，储罐，棒球，网球场，篮球场，地面跑道，港口，桥梁和车辆。此数据集总共包含800幅超高分辨率（VHR）遥感图像，是从Google Earth和Vaihingen数据集裁剪而来的，然后由专家手动注释。
论文	https://ieeexplore.ieee.org/document/7560644

---

数据集名称	HRSC2016
数据集链接	http://www.escience.cn/people/liuzikun/DataSet.html
数据集简介	数据集所有图像均来自六个著名的港口。图像分辨率在2-m和0.4-m之间。图像尺寸范围从300到1500，大多数图像大于1000 x 600。 训练，验证和测试集分别包含436个图像（包括1207个样本），181个图像（包括541个样本）和444个图像（包括1228个样本）。
论文	https://www.researchgate.net/publication/314522077_A_High_Resolution_Optical_Satellite_Image_Dataset_for_Ship_Recognition_and_Some_New_Baselines

---

数据集名称	HRRSD
数据集链接	https://github.com/CrazyStoneonRoad/TGRS-HRRSD-Dataset
数据集简介	HRRSD 数据集是2019年中国科学院大学发布的数据集，HRRSD包含从Google Earth和Baidu地图获取的21761幅图像，空间分辨率从0.15-m到1.2-m。HRRSD中有55740个目标的实例，每个类别4k左右。HRRSD包含13类目标。13个类别分别是：飞机、棒球场、篮球场、桥梁、十字路口、田径场、港口、停车场、船、存储罐、丁字路口、网球场、汽车。
论文	https://ieeexplore.ieee.org/document/8676107

---

数据集名称	OIRDS_v1_0
数据集链接	https://sourceforge.net/projects/oirds/
数据集简介	俯视图像研究数据集 (OIRDS)项目有助于推进最先进的技术图像处理和计算机视觉通过提供开放获取、带注释的俯视图像。OIRDS 项目生成了一个数据集近 1,000 张适合开发的标记图像自动车辆检测算法。 这些图像包含大约 1,800 个标记目标。对于每个目标，OIRDS 提供了 30 多个注释和 60 多个描述数据的统计数据。
论文	https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=5466304
示例

---

数据集名称	MVRSD军事目标数据集
数据集链接	https://github.com/baidongls/MVRSD
数据集简介	基于谷歌地球数据， 针对性的收集了亚洲、北美洲和欧洲范围内40多个典型军事场景下的3000张遥感图像。数据集图像空间分辨率为0.3m，尺寸大小为640×640，共有32626个实例，此外还包含了3张未标注的典型军事场景大尺寸图像。MVRSD数据集涵盖了城市、平原、山地、沙漠等各类地理环境，包含多类不同伪装程度和运动状态的军用车辆目标。能够充分反映遥感图像中军用车辆作目标特有的环境伪装、形状结构变化、运动“彩影”等特点，为军事目标自动分类算法的研究提供可靠数据。数据集共分5类，小型军用车辆（small military vehicles,SMV）、大型军用车辆（large military vehicles,LMV）、装甲战车（armored fighting vehicles, AFV）、军用工程车辆（military construction vehicles,MCV）、民用车辆（civilian vehicles, CV）。
论文	http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?flag=2&file_no=202312180000007&journal_id=jig
示例

---

数据集名称	用于车辆检测的合成航空和卫星影像
数据集链接	https://zenodo.org/records/10276846
数据集简介	·该数据集包含5000张从空中视角拍摄的汽车图像，分辨率与卫星图像相似，而卫星图像的采集需要大量资源。使用该数据集可加快并简化数据采集和标注过程。·数据的建模不仅考虑了汽车的分辨率，还考虑了颜色的表现，以适应高海拔地区汽车的真实的外观。数据包含具有不同外观（不同饱和度、B平衡、对比度）、地理区域（城镇、村庄、岛屿）和道路类型（高速公路、双车道道路、人行道、土路）的广泛区域。·使用这种规模和大小的数据集，可以让研究人员在模型训练和参数测试方面拥有更大的灵活性，并且适合深度学习。这种数据集的规模还允许研究人员尝试将真实的数据和合成数据结合起来，并可以选择将合成数据的百分比设置得很高。数据集创建管道不受大小的限制，并且允许在更大或更小的数据集上重新创建数据集。更小的规模。·该数据集适用于以汽车为主要关注点的目标检测训练。然而，研究人员可以使用本文中的数据创建步骤来创建涵盖罕见用例或包含罕见车辆的数据集。这让社区可以自由地将该管道适合其研究的特定需求。·根据这些数据训练的模型可以用于非实时图像，例如卫星图像。在不同时间点拍摄的卫星图像上检测汽车，可以帮助跟踪某个区域在较长时间内的平均交通量变化。这可以用于各种统计分析目的。·将其用于从飞行器（例如无人机和直升机）收集的实时数据，可以进行交通检测和分析。带有实时汽车检测的图像可以帮助土木工程师找到经常发生交通堵塞的道路上的关键点。它还可以用于监视目的，检测不允许交通的路面上的非法交通。
论文	https://www.sciencedirect.com/science/article/pii/S2352340924000787
示例

SAR目标检测

数据集名称	MSTAR （1996）
数据集链接	https://pan.baidu.com/s/1SAdmYAOHPheAH98CLP9dQg 提取码： h2ig
数据集简介	运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition, MSTAR）数据集，是美国国防高级研究计划署(Defense Advanced Research Project Agency, DARPA) 和空军研究室(Air Force Research Laboratory, AFRL) 提供的SAR图像。采集该数据集的传感器为高分辨率的聚束式合成孔径雷达，该雷达的分辨率为0.3m×0.3m。工作在X波段，所用的极化方式为HH极化方式。对采集到的数据进行前期处理，从中提取出像素大小为128×128包含各类目标的切片图像。该数据大多是静止车辆的SAR切片图像，包含多种车辆目标在各个方位角下获取到的目标图像。MSTAR混合目标数据中包含十类军事目标的切片图像，这些军事目标分别为2S1（自行榴弹炮）、BRDM2（装甲侦察车）、BTR60（装甲运输车）、D7（推土机）、T62（坦克）、ZIL131（货运卡车）、ZSU234（自行高炮）、T72。这些目标是雷达工作在多种不同的俯仰角时，各个目标在方向上面的成像图片。除了10类军事目标外，MSTAR数据集还提供了大幅场景SAR图像，包含森林、地面、建筑等杂波，可用于目标检测和识别。

---

数据集名称	SSDD / SSDD+ （2020）
数据集链接	https://pan.baidu.com/s/1sVs63jB_aM-RbcHEaWQgTg 提取码：4pz1
数据集简介	SSDD是国内外公开的第一个专门用于SAR图像舰船目标检测的数据集，可以用于训练和测试检验算法，得到了三十级所高校和研究所的使用。SSDD是通过在网上下载公开的SAR图像，并将目标区域裁剪成大小为500×500左右像素，并通过人工标注舰船目标位置而得的。数据主要有RadarSat-2、TerraSAR-X和Sentinel-1传感器，HH、HV、VV和VH四种极化方式，分辨率为1m-15m，在大片海域和近岸地区都有舰船目标。旋转边框在遥感目标检测中也得到了很多应用。旋转边框可以完全分开舰船与背景像素。通常，垂直边框中的很多像素不属于船的像素，这对于区分背景和舰船区域十分不利，尤其是密集排列的交叠非常大的舰船目标，所以最好利用旋转边框来定位舰船目标。旋转边框的宽度和高度可以显示船的真实形状而垂直边框的长宽比和尺寸与船的真实形状不一致，旋转边框可在完成检测任务的同时实现对目标的方位向估计（会存在180°模糊），不需要设计单独的舰船目标方向估计算法。在垂直边框的基础上增加一个旋转角度来表达旋转边框，可以表示成（x, y, w, h, θ），θ 是从y轴正向到舰船长中轴方向的角度。为了用旋转边框对舰船目标进行检测，对SSDD的标签进行了改进，对其在类别和位置基础上增加了旋转角度信息，将这个数据集称为SSDD+。

---

数据集名称	AIR-SARShip1.0 （2019）
数据集链接	https://radars.ac.cn/article/doi/10.12000/JR19097
数据集简介	由于数据获取难、样本规模小，尚难以支撑深度网络模型的训练。该文公开了一个面向高分辨率、大尺寸场景的SAR舰船检测数据集，该数据集包含31景高分三号SAR图像，场景类型包含港口、岛礁、不同级别海况的海面等，背景涵盖近岸和远海等多样场景。
论文	https://radars.ac.cn/cn/article/doi/10.12000/JR19097

---

数据集名称	SAR-Ship-Dataset （2019）
数据集链接	https://aistudio.baidu.com/aistudio/datasetdetail/54361
数据集简介	该数据集以我国国产高分三号SAR数据和Sentinel-1 SAR数据为主数据源，共采用了102景高分三号和108景Sentinel-1 SAR图像构建高分辨率SAR船舶目标深度学习样本库。目前，该深度学习样本库包含43819个船舶切片。
论文	https://www.mdpi.com/2072-4292/11/7/765

---

数据集名称	HRSID （2020）
数据集链接	https://aistudio.baidu.com/aistudio/datasetdetail/54512
数据集简介	数据集是电子科技大学在2020年1月发布数据集，HRSID是高分辨率SAR图像中用于船舶检测、语义分割和实例分割任务的数据集。该数据集共包含5604张高分辨率SAR图像和16951个ship实例。ISSID数据集借鉴了Microsoft Common Objects in Context (COCO)数据集的构建过程，包括不同分辨率的SAR图像、极化、海况、海域和沿海港口。该数据集是研究人员评估其方法的基准。对于HRSID, SAR图像的分辨率分别为:0.5m, 1 m, 3 m。
论文	https://ieeexplore.ieee.org/document/9127939

---

红外目标检测

数据集名称	NPU_CS_UAV_IR_DATA
数据集链接	https://pan.baidu.com/s/1d0BMIwp1EUFC4eievhInmw
数据集简介	提出了一种基于卷积神经网络而不是背景分割或前景提取的航空红外图像中地面车辆检测的新方法。首先通过无人机和红外传感器介绍航空红外图像中的地面车辆检测。然后搭建了一个新颖的空中移动平台来收集大量的航空红外图像。它主要由DJI MATRICE-100和FLIR TAU2红外传感器组成。这样就前所未有地构建了一个航空红外飞行器数据库，我们将这个数据集发布在公共网站上：https://shanxiliuxiaofei.github.io/。 这些样本记录了地面车辆检测在实践中面临的一些常见挑战，可用于该领域的后续研究。接下来，我们构建一个端到端的卷积神经网络，它可以提取一些典型的抽象特征。随着这些大量的识别特征被迭代学习，最终构建出实时地面车辆模式。它具有在真实城市环境中检测静止车辆和移动车辆的独特能力。我们在一些实时拍摄的低分辨率航空红外图像上评估了所提出的算法。
论文	https://www.mdpi.com/2079-9292/7/6/78

---

多模态目标检测

---

数据集名称	DroneVehicle（2020）
数据集链接	https://github.com/VisDrone/DroneVehicle
数据集简介	DroneVehicle数据集总共由无人机采集的56,878张图像组成，其中一半是RGB图像，其余是红外图像。我们为这五个类别做了丰富的带有定向边界框的注释。其中，小汽车在RGB图像中有389,779个注释，在红外图像中有428,086个注释，卡车在RGB图像中有22,123个注释，在红外图像中有25,960个注释，公共汽车在RGB图像中有15,333个注释，在红外图像中有16,590个注释，货车有RGB图像有11,935个注释，红外图像有12,708个注释，货车有RGB图像有13,400个注释，红外图像有17,173个注释。该数据集可在下载页面上找到。在 DroneVehicle 中，为了注释图像边界处的对象，我们在每个图像的顶部、底部、左侧和右侧设置宽度为 100 像素的白色边框，以便下载的图像比例为 840 x 712。检测网络中，我们可以进行预处理以去除周围的白色边框并将图像比例更改为640 x 512。
论文	https://arxiv.org/abs/2003.02437
示例

---

数据集名称	Vehicle Detection in Aerial Imagery (VEDAI) （2014）
数据集链接	数据集处理：https://github.com/mr8bit/vedai
数据集简介	VEDAI 是用于航空图像中车辆检测的数据集，作为在无约束环境中对自动目标识别算法进行基准测试的工具提供。数据库中包含的车辆除了体积小之外，还表现出不同的变化性，例如多个方向、照明/阴影变化、镜面反射或遮挡。此外，每个图像都有多个光谱带和分辨率。还给出了精确的实验方案，确保不同人获得的实验结果可以正确地再现和比较。我们还给出了一些基线算法在此数据集上的性能，针对这些算法的不同设置，以说明任务的难度并提供基线比较。
论文	Vehicle detection in aerial imagery : A small target detection benchmark
示例

---

数据集名称	QXS-SAROPT
数据集链接	github链接：https://github.com/yaoxu008/QXS-SAROPT 数据集下载链接：https://www.wenjuan.com/s/UZBZJv5GwL/
数据集简介	为了促进基于深度学习的SAR-光学融合方法的发展，我们发布了QXS-SAROPT数据集，其中包含20,000对SAR-光学图像块。我们从SAR卫星高分三号图像中获取SAR补丁，从Google Earth中获取光学补丁。这些图像涵盖三个港口城市：圣地亚哥、上海和青岛。这里，我们详细介绍了该数据集的构建，并展示了其两个代表性的示例性应用，即SAR光学图像匹配和由光学图像的跨模态信息增强的SAR船舶检测。作为一个具有高分辨率、多场景的大型开放SAR-光学数据集，我们相信QXS-SAROPT对于进一步研究基于深度学习的SAR-光学数据融合技术具有潜在价值。
论文	https://arxiv.org/pdf/2103.08259.pdf
示例

---