前言
建筑物是人类社会生产、生活的主要载体,建筑物轮廓信息是国家基础地理信息的重要组成部分。相比于人工遥感解译与矢量化,结合算法模型从遥感影像中自动提取建筑物轮廓大大减少了人力物力的消耗。这在城市扩张研究、数字城市建设等领域有着广泛的应用。
近年来,全卷积神经网络的不断发展为高精度自动化建筑物提取提供了新的方法。但是,由于建筑物在尺度,建筑风格,形态上有较大差异,目前高精度建筑物提取仍存在较大挑战。一方面,难兼顾较好的建筑物定位精度(依赖于高层语义特征)与建筑物边缘精度(依赖于浅层特征)。另一方面,基于神经网络的方法往往依赖于大尺度数据集进行训练。
因此,本博文总结了以下建筑数据集。
- 阿里天池建筑智能普查;
- Open AI 坦桑尼亚建筑物数据集
- AIRS 数据集
- WHU 建筑物数据集
- CrowdAI Mapping Challenge数据集
- DeepGlobe Challenge建筑物数据集
- USSOCOM 城市三维挑战数据集
- Inria数据集
- 航空影像目标识别数据集
- SpaceNet Challenge数据集
- Massachusetts 建筑物数据集
- ISPRS Potsdam 2D Semantic Labeling Contest (ISPRS)
Reference
https://mp.weixin.qq.com/s/UHlMX63t8TwKv3_1wOt5aw
https://github.com/chrieke/awesome-satellite-imagery-datasets