9/10 无人机语义分割数据集

1. aeroscapes AeroScapes航拍语义分割基准包含了一系列使用商用无人机在5至50米高度范围内拍摄的图像。该数据集提供了3269张720p分辨率的图片以及涵盖11个类别的地面真实掩模。 语义分割标签包括：人、自行车、汽车、飞机场、船只、动物、障碍物、建筑、植被、道路、天空

链接：GitCode - 全球开发者的开源社区,开源代码托管平台

2. Semantic Drone Dataset     语义无人机数据集专注于对城市场景进行语义理解，以提高无人机自主飞行和着陆程序的安全性。图像描绘了20多栋房屋，从地面以上5至30米的高度拍摄，从天底鸟瞰视角拍摄。使用高分辨率相机拍摄尺寸为 6000x4000px（24Mpx）的图像。训练集包含400张公开可用的图像，测试集由200张图像组成。 语义分割标签包括：树、草、其他植被、污垢、碎石、岩石、水、铺砌面积、水池、人、狗、车、自行车、屋顶、墙、栅栏、栅栏杆、窗户、门、障碍等

        链接：ICG - DroneDataset

1. FloodNet Dataset 数据是在飓风哈维之后使用小型UAS平台 DJI Mavic Pro 四轴飞行器收集的。整个数据集有2343张图像，分为训练集（60%）、验证集（20%）和测试集（20%）。 语义分割标签包括：背景、建筑物被洪水淹没、建筑物未被洪水淹没、道路被洪水淹没、道路未被洪水淹没、水、树、车辆、游泳池、草地。

1. LoveDA LoveDA 数据集是使用 2016年7月南京、常州和武汉获得的图像构建的，共覆盖 53615km2。历史图像是从谷歌地球平台获得的。用于域自适应语义分割的遥感土地覆盖数据集。5987 个图像芯片（Google Earth），7 个土地覆盖类别，166768 个标签 语义分割标签包括：房子、公路、河流、贫瘠土地、森林、农田、背景部分

链接：GitHub - Junjue-Wang/LoveDA: [NeurIPS 2021] LoveDA: A Remote Sensing Land-Cover Dataset for Domain Adaptive Semantic Segmentation

1. DroneDeploy 该数据集包含大量无人机拍摄的空中场景。每个场景的地面分辨率为每像素 10 厘米。每个场景都有相应的“图像”、“海拔”和“标签”。这些位于images、elevation和labels目录中。 图像是 RGB TIFF，海拔是单通道浮点 TIFF（其中每个像素值代表以米为单位的海拔），最后标签是PNG，其中 7 种颜色代表 7 个类别（如下所述）。 语义分割标签包括：建筑、杂物、植被、水源、地面、汽车

链接：GitHub - dronedeploy/dd-ml-segmentation-benchmark: DroneDeploy Machine Learning Segmentation Benchmark

1. Cityscapes 该数据收集工作由一架直升机在德国慕尼黑大区上空进行。记录数据时使用了一套低成本的照相系统，该系统由三台标准数码单反相机组成，安装在一个灵活的平台上，只拍摄天顶的图像。总共选择了16幅大小为5616×3744像素的非重叠RGB图像。飞行高度距地面约1000米，因此地面采样距离（GSD）约为 13厘米/像素。这些图像代表了城市和部分农村地区的高速公路、一级/二级公路以及复杂的交通状况，如十字路口和拥堵情况。 语义分割标签包括：道路、人、车辆、建筑物、植被、天空

链接：Cityscapes Dataset – Semantic Understanding of Urban Street Scenes

1. RoadNet 从Google Earth上收集了加拿大渥太华几个典型的城区，图像的空间分辨率为每像素 0.21 米（缩放级别 19）。

链接：GitHub - yhlleo/RoadNet: RoadNet: A Multi-task Benchmark Dataset for Road Detection, TGRS.

1. UAVid UAVid数据集是用于针对城市场景的语义分割任务的UAV视频数据集4K分辨率无人机视频和8种物体类别。 语义分割标签包括：建筑、道路、静态车、树、小型植被、人、行驶中汽车、背景混乱

链接：UAVid Semantic Segmentation Dataset

1. GID Gaofen Image Dataset(GID)是一个用于土地利用和土地覆盖（LULC）分类的大型数据集。它包含来自中国60多个不同城市的150幅高质量高分二号（GF-2）图像，这些图像覆盖的地理区域超过了5万km²。GID图像具有较高的类内多样性和较低的类间可分离性。GF-2是高清晰度地球观测系统（HDEOS）的第二颗卫星。GF-2卫星包括了空间分辨率为1 m的全色图像和4 m的多光谱图像，图像大小为6908×7300像素。多光谱提供了蓝色、绿色、红色和近红外波段的图像。自2014年启动以来，GF-2已被用于土地调查、环境监测、作物估算、建设规划等重要应用。

链接：GID Dataset

1. BH-DATASET BH-pools和BH-watertanks，分别带有注释的游泳池和水箱。 这两个数据集均包含来自巴西米纳斯吉拉斯州贝洛奥里藏特市几个街区的图像。 数据是通过Google Earth Pro工具获取的。 图像是从330米的眼睛高度以3840x2160（4K）的分辨率导出的，并且图像带是三个可见的带：红色，绿色和蓝色。 对于在图像上发现的目标对象的每次出现，都绘制了一个多边形以生成实例的分割蒙版。 BH-Pools数据集包含8个不同邻域的200张4K图像（每个图像25张），并包含3980个带注释的池。 BH-WaterTanks数据集由6个邻里的150张4K图像组成（每个图像25张），并包含16216个带注释的水箱。

链接：BH-Pools/Watertanks Datasets

1. 38-Cloud dataset 该数据集包含38幅Landsat8场景图像及其手动提取的像素级地物真实标签，用于云检测。这些场景的整个图像被裁剪成384×384个斑块，以适合于基于深度学习的语义分割算法。数据集被划分为8400个斑块进行训练，9201个补丁进行测试。每幅图像有4个相应的波段，分别是红色（波段4）、绿色（波段3）、蓝色（波段2）和近红外（波段5）

链接：GitHub - SorourMo/38-Cloud-A-Cloud-Segmentation-Dataset: This data set includes Landsat 8 images and their manually extracted pixel-level ground truths for cloud detection.

1. DLRSD DLRSD是一个密集标记数据集，可用于多标记任务，如遥感图像检索 (RSIR)和分类，以及其他基于像素的任务，如语义分割（在遥感中也称为分类）DLRSD 共有21个大类，每个类别有100幅图像。

链接：https://sites.google.com/view/zhouwx/dataset#h.p_hQS2jYeaFpV0

1. WHU-OPT-SAR 数据集命名为WHU-OPT-SAR，覆盖51448.56平方公里，采集于湖北省，分辨率为5米，包含100对5556x3704（像素）大小的影像。数据集中光学影像来自GF-1卫星（2米分辨率），SAR影像来自GF-3卫星（5米分辨率），通过双线性插值统一分辨率为5米。样本标注按照语义分割任务进行

链接：GitHub - AmberHen/WHU-OPT-SAR-dataset: Open source dataset; multimodal fusion；remote sensing；optical images; SAR images；deep learning

1. Pascal VOC

通常采用PASCAL VOC 2012，最开始有1464 张具有标注信息的训练图片，2014 年增加到10582张训练图片。主要涉及了日常生活中常见的物体，包括汽车，狗，船等20个分类。

链接：The PASCAL Visual Object Classes Challenge 2012 (VOC2012)