Alterar o conjunto de dados de detecção com base na imagem de sensoriamento remoto

1. S2MTCP

Este conjunto de dados contém N = 1520 pares de imagens Sentinel-2 1C, provenientes de áreas urbanas em todo o mundo. Bandas com resolução espacial inferior a 10 m serão reamostradas para 10 m, e a imagem será cortada em aproximadamente 600x600 pixels. Como algumas coordenadas estão localizadas perto da borda da colagem do Sentinel, algumas imagens têm tamanho menor que 600x600 pixels e, em seguida, a imagem é cortada na borda da colagem. Nenhuma correção geométrica ou radiométrica é realizada.

Endereço: https://zenodo.org/record/4280482#.YCzfITOLTax

2. Hi-UCD

Hi-UCD se concentra em mudanças urbanas e usa imagens de resolução ultra-alta para construir mudanças semânticas multi-temporais para alcançar a detecção de mudanças fina. A área de pesquisa da Hi-UCD faz parte de Tallinn, capital da Estônia, cobrindo uma área de 30 quilômetros quadrados. Havia 359 pares de imagens em 2017-2018, 386 pares em 2018-2019 e 548 pares em 2017-2019, incluindo imagens, mapas semânticos e mapas de mudança em momentos diferentes. O tamanho de cada imagem é 1024 x 1024 e a resolução espacial é de 0,1 m. Existem 9 tipos de objetos, incluindo objetos naturais (água, grama, floresta, terra nua), objetos feitos pelo homem (edifícios, estufas, estradas, pontes) e outros objetos (relacionados à mudança), basicamente incluindo todos os tipos de Estônia Urbano cobertura da terra.

Endereço: https://arxiv.org/abs/2011.03247

3. SEGUNDO

SECOND é um conjunto de dados de detecção de mudança semântica que coleta 4662 pares de imagens aéreas de várias plataformas e sensores. Esses pares de imagens são distribuídos em cidades como Hangzhou, Chengdu e Xangai. As dimensões de cada imagem são 512 x 512 e são anotadas no nível do pixel. O segundo foco está nas seis principais categorias de cobertura do solo, nomeadamente superfícies sem vegetação, árvores, vegetação rasteira, água, edifícios e parques infantis, que frequentemente envolvem mudanças geográficas naturais e provocadas pelo homem.

Morada:

http://www.captain-whu.com/PROJECT/SCD/

Nuvem Baidu:

https://pan.baidu.com/s/1FSdlPB_EPk8SUAJZFcem9A

Código de extração: RSAI

4. CD_Data_GZ

As imagens foram coletadas entre 2006 e 2019 e cobrem os subúrbios de Guangzhou, China. Para facilitar a geração de pares de imagens, o serviço Google Earth do software BIGEMAP é usado para coletar 19 pares de imagens VHR que mudam de estação. Esses pares de imagens têm três bandas de vermelho, verde e azul, com resolução espacial de 0,55 me um intervalo de tamanho. De 1006 × 1168 pixels a 4936 × 5224 pixels.
Morada:

https://github.com/daifeng2016/Change-Detection-Dataset-for-High-Resolution- Satellite-Imagery

Nuvem Baidu:

https://pan.baidu.com/s/1WxkJYsQwCxgT6RzNNAl9nw

Código de extração: RSAI

5. LEVIR-CD

O LEVIR-CD contém 637 pares de patch de imagem do Google Earth de ultra-alta resolução (VHR, 0,5 m / pixel) com um tamanho de 1024 × 1024 pixels. Essas imagens de bits com um intervalo de tempo de 5 a 14 anos têm mudanças significativas no uso do solo, especialmente o crescimento de edifícios. LEVIR-CD cobre vários tipos de edifícios, como vilas, apartamentos altos, pequenas garagens e grandes armazéns. O LEVIR-CD com anotações completas contém um total de 31.333 exemplos de construção de mudanças individuais.

Morada:

https://justchenhao.github.io/LEVIR/

Nuvem Baidu: Link:

https://pan.baidu.com/s/1HlnKWToc00986jiTxhq_CA

Código de extração: RSAI

6. LEVIR-CD+

O conjunto de dados LEVIR-CD + é um conjunto de dados de detecção de alterações em edifícios em grande escala, construído com base no conjunto de dados públicos LEVIR-CD existente. LEVIR-CD + contém um total de 1970 amostras, das quais 985 amostras são usadas para treinamento e as últimas 985 amostras são usadas para teste. Cada amostra contém a imagem de sensoriamento remoto de tempo anterior, a imagem de sensoriamento remoto de tempo posterior e o mapa de etiqueta de mudança de edifício correspondente. O tamanho das imagens de sensoriamento remoto neste conjunto de dados é de 1024 X 1024 e a resolução é de 0,5 metros. O mapa de rótulos tem o mesmo tamanho da imagem e o valor do pixel é 0 ou 255, onde 0 representa nenhuma mudança arquitetônica e 255 representa mudanças arquitetônicas. O número de instâncias de construção alteradas neste conjunto de dados é de aproximadamente 80.000.

A relação entre LEVIR-CD + e LEVIR-CD: Os 637 pares de dados de amostra contidos em LEVIR-CD são usados ​​como parte do conjunto de treinamento LEVIR-CD +.

Para uma introdução mais detalhada ao conjunto de dados LEVIR-CD, consulte

https://justchenhao.github.io/LEVIR/

Morada:

http://rs.ia.ac.cn/cp/portal/dataDetail?name=LEVIR-CD%2B

7.SLADCD

O conjunto de dados de detecção de mudanças durante todo o dia (SLADCD) é um conjunto de dados de detecção de mudanças em edifícios em grande escala. A resolução da imagem é de 0,5 a 1 metro. Espera-se que este conjunto de dados contenha 20.000 amostras, das quais 10.000 amostras de conjuntos de treinamento e validação são liberadas (767 pares de amostras são lançados atualmente), e 10.000 amostras são reservadas para avaliação online.

Cada amostra contém a imagem de sensoriamento remoto de tempo anterior, a imagem de sensoriamento remoto de tempo posterior e o mapa de etiqueta de mudança de edifício correspondente. O tamanho das imagens de sensoriamento remoto neste conjunto de dados é 1024 X 1024, o intervalo de tempo de imagem nas fatias emparelhadas é mais de 1 ano, as fases frontal e posterior foram registradas de forma precisa e as imagens de rótulo correspondentes foram produzidas.

A imagem do rótulo tem o mesmo tamanho que a imagem, e a imagem do rótulo é o contorno do edifício recém-construído ou demolido nas fases de tempo frontal e posterior que são finamente rotuladas manualmente. O valor do pixel é 0 ou 255, onde 0 significa que não há mudança arquitetônica e 255 significa que há mudança arquitetônica. O conjunto de dados públicos contém mais de 80.000 exemplos arquitetônicos com mudanças, que podem ser usados ​​para o desenvolvimento e verificação de métodos de aprendizado profundo para detecção de mudanças.

A relação entre SLADCD e LEVIR-CD +: em comparação com o conjunto de dados LEVIR-CD +, que se concentra em áreas de construção urbana, SLADCD inclui mais terras agrícolas, florestas e áreas desérticas; mais importante, a imagem em SLADCD é imagem de visão lateral de satélite, o que leva à imagem A diminuição na precisão do registro aumenta a dificuldade de construção de correspondência. O conjunto de dados SLADCD tem requisitos mais elevados para a robustez do algoritmo em alvos terrestres complexos e condições de imagem, mas também aumenta o valor prático do algoritmo.

É importante notar que o conjunto de dados SLADCD pode ser usado para estudar o registro preciso de imagens de sensoriamento remoto de visão lateral.

Morada:

http://rs.ia.ac.cn/cp/portal/dataDetail?name=SLADCD

8. HRSCD

Este conjunto de dados contém 291 pares de imagens registradas de imagens aéreas RGB do banco de dados BD ORTHO da IGS. Alterações no nível de pixel e anotações de cobertura do solo são fornecidas, geradas pela rasterização dos mapas Urban Atlas 2006, Urban Atlas 2012 e Urban Atlas Change 2006-2012.

Morada:

https://ieee-dataport.org/open-access/hrscd-high-resolution-semantic-change-detection-dataset#files

9. Mts-WH

O conjunto de dados Multi-temp Scene Wuhan (MtS-WH) é usado principalmente para pesquisa teórica e verificação de métodos de detecção de mudança de cena. A detecção de mudança de cena serve para detectar e analisar mudanças nos atributos de uso do solo em uma determinada área no nível da semântica da cena.

Este conjunto de dados inclui principalmente duas imagens de sensoriamento remoto de grande tamanho e alta resolução com um tamanho de 7200 x 6000 obtidas por sensores IKONOS. A área de cobertura é o distrito de Hanyang, cidade de Wuhan, China. As imagens foram obtidas em fevereiro de 2002 e junho de 2009, respectivamente, e foram fundidas pelo algoritmo GS, com resolução de 1m e 4 bandas (bandas azul, verde, vermelho e infravermelho próximo).

As amostras de treinamento e de teste de todo o conjunto de dados são selecionadas a partir de imagens de sensoriamento remoto de alta resolução em grande escala. Cada conjunto de treinamento de fase de tempo inclui 190 imagens e o conjunto de teste inclui 1920 imagens. As imagens da cena do conjunto de treinamento e do conjunto de teste são divididas nas seguintes categorias:


Endereço:

http://sigma.whu.edu.cn/newspage.php?q=2019_03_26

10. Conjunto de dados de detecção de alterações de construção WHU

O conjunto de dados contém duas imagens aéreas (0,2 m / pixel, 15354 × 32507) e fornece o vetor de alteração das duas imagens aéreas, o mapa raster de alteração e dois vetores de construção correspondentes.

Morada:

https://study.rsgis.whu.edu.cn/pages/download/building_dataset.html

11. Imagens sintéticas e ler imagens de sensoriamento remoto que variam de acordo com a estação do ano

O conjunto de dados possui três tipos: imagens sintéticas sem deslocamento relativo de objetos, imagens sintéticas com pequenos deslocamentos relativos de objetos e imagens reais de sensoriamento remoto que mudam com as estações (obtidas pelo Google Earth). A imagem de sensoriamento remoto de mudanças sazonais reais tem 16.000 conjuntos de imagens, o tamanho da imagem é 256x256 pixels (10.000 conjuntos de treinamento e 3.000 conjuntos de teste e verificação) e a resolução espacial é de 3 a 100 cm / px.

Endereço:

https://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XLII-2/565/2018/isprs-archives-XLII-2-565-2018.pdf

https://drive.google.com/uc?id=1GX656JqqOyBi_Ef0w65kDGVto-nHrNs9&export=download

Nuvem Baidu: Link:

https://pan.baidu.com/s/1fQGYoLXjqKhb5EW2a5lpCg

Código de extração: RSAI

12. OSCD

O conjunto de dados resolve o problema de detecção de mudanças entre imagens de satélite de datas diferentes. Ele contém 24 pares de imagens multiespectrais obtidas do satélite Sentinel-2 entre 2015 e 2018. Os locais são escolhidos em todo o mundo (Brasil, EUA, Europa, Oriente Médio e Ásia). Para cada local, 13 pares de pares de imagens de satélite multiespectrais obtidos pelo satélite Sentinel-2 são fornecidos.

Morada:

https://ieee-dataport.org/open-access/oscd-onera-satellite-change-detection#files

13. Conjunto de dados AICD

Este conjunto de dados contém imagens aéreas sintéticas, que contém alterações artificiais geradas usando um mecanismo de renderização. Ele contém 1000 pares de imagens de 800x600, cada par inclui uma imagem de referência e uma imagem de teste e 1000 valores de verdade de 800x600 correspondentes.

Morada:

https://computervisiononline.com/dataset/1105138664

Nuvem Baidu:

https://pan.baidu.com/s/1ojXiE-JDiRy8Q91mTAXC5g

Código de extração: RSAI

14. SZTAKI

O conjunto de dados contém 13 pares de imagens aéreas com tamanho de 952x640 pixels e resolução espacial de 1,5 m. As mudanças incluem (a) novas áreas urbanas (b) construção de edifícios (c) plantação de um grande número de árvores (d) novas terras cultivadas (e) trabalho básico antes da reconstrução. Por favor, note que a verdade chão não inclui classificação mudança, única mudança / label unchange para cada pixel.

Endereço:

http://web.eee.sztaki.hu/remotesensing/airchange_benchmark.html

Nuvem Baidu:

https://pan.baidu.com/s/1J843se8bkSTcL81Porc0Kg

Código de extração: RSAI

15. Conjunto de dados de detecção de alteração hiperespectral

Este conjunto de dados pode ser usado para realizar técnicas de detecção de alterações em imagens hiperespectrais multitemporais. Inclui duas cenas hiperespectrais diferentes do sensor AVIRIS: a cena de Santa Bárbara, que foi filmada em 2013 e 2014, e foi filmada na área de Santa Bárbara (Califórnia) usando o sensor AVIRIS. Suas dimensões espaciais são 984 x 740 pixels, incluindo 224 bandas espectrais. As cenas da Bay Area foram filmadas em 2013 e 2015. O sensor AVIRIS foi filmado em torno da cidade de Paterson (Califórnia) com um tamanho espacial de 600 x 500 pixels, incluindo 224 bandas espectrais. Também inclui cenas hiperespectrais do sensor HYPERION: a cena urbana Hermiston, que foi filmada na área de Hermiston City (Oregon) em 2004 e 2007 usando o sensor HYPERION, com um tamanho espacial de 390 x 200 pixels, incluindo 242 bandas espectrais. Nesse cenário, cinco tipos de mudanças relacionadas à transição de cultura são identificados.
Morada:

https://citius.usc.es/investigacion/datasets/hyperspectral-change-detection-dataset

Nuvem Baidu:

https://pan.baidu.com/s/1EjVehntXbDq-9UyfJsTSdQ

Código de extração: RSAI

16. GETNET

Este conjunto de dados tem duas imagens hiperespectrais, que foram obtidas na província de Jiangsu, China, em 3 de maio de 2013 e 31 de dezembro de 2013, respectivamente. Seu tamanho é 463 × 241 pixels e 198 bandas podem ser usadas após a remoção da banda de ruído. Em um mapa real, os pixels brancos representam a parte alterada e os pixels pretos representam a parte inalterada.

Morada:

https://ieeexplore.ieee.org/document/8418840/?denied=

17. HRCD

Morada:

http://www.pshrcd.com/#/intro

18. Conjunto de dados ABCD

O conjunto de dados ABCD (AIST Building Change Detection) é um conjunto de dados marcado que é usado especificamente para construir e avaliar sistemas de detecção de danos para identificar se os edifícios foram destruídos pelo tsunami. Cada dado no conjunto de dados é um par de imagens aéreas antes e depois do tsunami e contém o edifício-alvo no centro da imagem. O rótulo de categoria atribuído a cada par de patch (ou seja, "lavado" ou "sobrevivido") indica se o edifício no centro do patch foi arrastado pelo tsunami antes do tsunami.

Existem dois tipos de imagens: escala fixa e redimensionada. Remendos de escala fixa recortam uma imagem fixa de 160 x 160 pixels da imagem aérea; portanto, eles têm a mesma resolução (40 cm) da imagem original. Pelo contrário, os patches redimensionados são cortados de acordo com o tamanho de cada edifício de destino (especificamente, três vezes o tamanho do edifício de destino) e, em seguida, todos ajustados para 128 x 128 pixels; portanto, as proporções espaciais dos patches variam de edifício para prédio. O conjunto de dados ABCD resultante contém 8.506 pares para escala fixa (4.253 lavado) e 8.444 pares para redimensionado (4.223 lavado).

Morada:

https://github.com/gistairc/ABCDdataset

Nuvem Baidu:

https://pan.baidu.com/s/111dc36JWV06Qva07dFdmUw

Código de extração: RSAI

19. CDD （ChangeDetectionDataset）

O conjunto de dados possui três tipos: imagens sintéticas sem movimento relativo de objetos, imagens sintéticas com movimento relativo de objetos relativamente pequeno e imagens reais de sensoriamento remoto que mudam com as estações (obtidas pelo Google Earth). A imagem de sensoriamento remoto sazonalmente alterada tem 16.000 conjuntos de imagens, o tamanho da imagem é 256x256 pixels (10.000 conjuntos de treinamento e 3.000 conjuntos de teste e validação) e a resolução espacial é de 3 a 100 cm / px.
Nuvem Baidu:

https://pan.baidu.com/s/1Xu0kIpThW2koLcyfcJEEfA

Código de extração: RSAI

20. O conjunto de dados do rio

Este conjunto de dados contém duas imagens hiperespectrais, que foram coletadas de uma área de rio na província de Jiangsu, China, em 3 de maio e 31 de dezembro de 2013. O sensor usado foi Earth Observing-1 (EO-1) Hyperion, e a faixa espectral foi de 0,4 -2,5 μm, a resolução espectral é de 10 nm, a resolução espacial é de 30 m e o tamanho da imagem é 463 × 241 pixels. Existem 242 bandas espectrais no total e 198 bandas estão disponíveis após a remoção do ruído. O principal tipo de mudança na imagem é a redução dos canais dos rios.

Morada:

https://share.weiyun.com/5xdge4R

21. Representação esparsa de imagem de sensoriamento remoto e detecção de mudança de competição de análise inteligente

Esta competição toma imagens de sensoriamento remoto óptico como objeto de processamento.As equipes participantes usam as imagens de sensoriamento remoto fornecidas pelo organizador para detectar mudanças em edifícios, e o organizador avalia de forma abrangente os resultados da detecção de mudanças com base nos padrões de pontuação. A competição fornecerá duas imagens de sensoriamento remoto de alta resolução em grande escala (incluindo bandas de azul, verde, vermelho e infravermelho próximo) adquiridas em momentos diferentes, bem como um conjunto de dados binários rotulados das áreas de mudança na imagem.

Morada:

http://rscup.bjxintong.com.cn/#/theme/4 (fechado)

Nuvem Baidu:

https://pan.baidu.com/s/1GZa_CxzWOcPOS54PM_FM2Q

Código de extração: RSAI