文章目录
1. 光学数据集
1.1 DIOR
“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。
下载地址：http://www.escience.cn/people/gongcheng/DIOR.html
数据论文地址：Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark
1.2 LEVIR
LEVIR数据集由大量 800 × 600 像素和0.2m〜1.0m /像素的高分辨率Google Earth图像和超过22k的图像组成。LEVIR数据集涵盖了人类居住环境的大多数类型地面特征，例如城市，乡村，山区和海洋。数据集中未考虑冰川，沙漠和戈壁等极端陆地环境。数据集中有3种目标类型：飞机，轮船（包括近海轮船和向海轮船）和油罐。所有图像总共标记了11k个独立边界框，包括4,724架飞机，3,025艘船和3,279个油罐。每个图像的平均目标数量为0.5。
数据下载地址：http://levir.buaa.edu.cn/Code.htm
数据论文地址：Random Access Memories: A New Paradigm for Target Detection in High Resolution Aerial Remote Sensing Images
1.3 DOTA
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*度）四边形标记。
https://captain-whu.github.io/DOTA/index.html
DOTA: A Large-scale Dataset for Object Detection in Aerial Images
1.4 RSOD
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。
下载地址：https://github.com/RSIA-LIESMARS-WHU/RSOD-Dataset-
数据论文地址：Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark
1.5 NWPU VHR-10
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。
下载地址：https://pan.baidu.com/s/1hqwzXeG#list/path=%2F
参考文献：Learning Rotation-Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images
1.6 VEDAI
VEDAI是航空影像中车辆检测的数据集，作为一种在不受限制的环境中对目标检测算法进行基准测试的工具。数据库中除了包含很小的车辆以外，还表现出不同的可变性，例如多个方向，光照/阴影变化，镜面反射或遮挡。此外，每个图像都有几个光谱带和分辨率。作者还给出了精确的实验方案，以确保可以正确复现和比较不同人获得的实验结果。对于这些算法的不同设置，作者还给出了一些基准以测试该数据集上的性能，以提供基准比较。
下载地址：https://downloads.greyc.fr/vedai/
参考文献：Vehicle Detection in Aerial Imagery : A small target detection benchmark
1.7 COWC
带上下文信息的高架汽车（COWC）数据是头顶视角的带注释的汽车。对于训练、深度神经网络以学习目标检测检测或汽车计数很有用。数据集具有以下属性：
（1）地面上每像素分辨率15 cm的数据（所有数据均为EO）。
（2）来自六个不同位置的数据：加拿大多伦多，新西兰塞尔温，波茨坦和德国Vaihingen，哥伦布和犹他州美国。
（3）32,716辆带注释的汽车。58,247个负面例子。
（4）为检测和计数任务建立基准。
（5）能够验证额外测试场景。
下载地址：https://gdo152.llnl.gov/cowc/
参考文献：A Large Contextual Dataset for Classification, Detection and Counting of Cars with Deep Learning
1.8 ITCVD
ITCVD数据集图像是从飞机平台拍摄的，图像拍摄由飞机在荷兰Enschede上方空高约330m的高度飞行，以天底视图和斜视图拍摄图像。斜视角的倾斜角度为45度。天底图像的地面采样距离（GSD）为10厘米。
数据集包含用于训练的135张图像和用于测试的23543张图像，其余的38张图像和5545辆车辆用于测试。数据集中的每辆车都使用一个边界框手动标注，该边界框表示为（x，y，w，h），其中（x，y）是该框左上角的坐标，而（w，h ）分别是边界框的宽度和高度。
下载地址:
https://eostore.itc.utwente.nl:5001/fsdownload/zZYfgbB2X/ITCVD
参考文献：Vehicle Detection in Aerial Images
1.9 DIUx xView 2018
xView是最大的公开可用的开销图像集之一。它包含来自世界各地复杂场景的图像，并用超过一百万个边界框进行注释，这些边界框代表60种对象类别的不同范围。与其他架空图像数据集相比，xView图像具有高分辨率，多光谱特性，并带有更多种类的对象标记。DIUx xView挑战赛的重点是加快四个计算机视觉领域的进展：降低检测的最小分辨率；提高学习效率；启用更多对象类的发现；改进对细粒度类的检测。DIUx xView挑战紧随挑战的脚步，例如上下文中的通用对象（COCO），并试图建立SpaceNet和世界功能图（FMoW），以将计算机视觉应用于来自太空可用图像，以便我们以新的方式理解视觉世界并解决一系列重要的问题。
下载地址：http://xviewdataset.org/
参考文献：xView: Objects in Context in Overhead Imagery
1.10 HRSC2016
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）。
下载地址：http://www.escience.cn/people/liuzikun/DataSet.html
参考文献：A_High_Resolution_Optical_Satellite_Image_Dataset_for_Ship_Recognition_and_Some_New_Baselines
1.11 TAS
TAS数据集(Heitz and Koller, 2008)是为航空图像中的汽车检测而设计的。它包含了30张图片和1319辆手动标注的汽车。这些图像的空间分辨率相对较低，由建筑物和树木造成的阴影较多。
1.12 SZTAKI‐INRIA
SZTAKI INRIA: SZTAKI INRIA数据集(Benedek et al.， 2011)用于基准测试各种建筑8检测方法。它由665个建筑组成，用定向边界框手工标注，分布在来自曼彻斯特(英国)、Szada和布达佩斯(匈牙利)、Cot d Azur和诺曼底(法国)和Bodensee(德国)的9幅遥感图像中。所有的图像只包含红色®、绿色(G)和蓝色(B)三个通道。其中，两幅图像(Szada和Budapest)是航空图像，其余七幅图像是来自QuickBird、IKONOS和谷歌Earth的卫星图像。
1.13 UCAS AOD
UCAS AOD数据集(Zhu et al.， 2015a)用于飞机和车辆检测。具体来说，飞机数据集包括600张图像和3210架飞机，而车辆数据集包括310张图像和2819辆车辆。所有的图像都经过精心挑选，使数据集中的物体方向分布均匀。
下载地址：https://pan.baidu.com/s/1bplTvif密码：ppef
1.14 DLR 3K Vehicle
DLR 3K车辆:DLR 3K车辆数据集(Liu and Mattyus, 2015)是另一个设计用于车辆检测的数据集。它包含20张5616 3744航拍图像，空间分辨率为13厘米。它们是在距地面1000米的高空使用DLR 3K摄像机系统(一种近乎实时的机载数字监控系统)在德国慕尼黑地区拍摄的。有14235辆车是通过在图片中使用定向包围框手动标记的。
2. SAR
2.1 SSDD
在数据集SSDD中，一共有1160个图像和2456个舰船，平均每个图像有2.12个舰船，数据集后续会继续扩充。相比于具有20类目标的PASCAL VOC数据集，SSDD虽然图片少，但是类别只有舰船这一种，因此它足以训练检测模型。
2.2 SSDD+
SSDD+的数据集相对于SSDD数据将垂直边框变成了旋转边框，旋转边框可在完成检测任务的同时实现了对目标的方向估计。
2.3 OpenSARShip
OpenSAR是由上海交通大学高级传感技术中心（AST）开发的开放式SAR图像管理和处理平台，用于SAR图像的读取，处理，可视化和算法测试。SAR图像管理和算法测试是OpenSAR的主要任务。
OpenSAR支持导入各种SAR数据源，例如TerraSAR-X，RADARSAT 1/2，COSMO-SkyMed等。用户可以通过该平台搜索和查看SAR图像数据。OpenSAR支持注册各种算法，例如图像去噪，场景分类，目标检测，目标识别，变化检测等。用户可以通过该平台搜索，配置和执行这些算法，并且完整的测试报告也将提供给用户。
下载地址：http://opensar.sjtu.edu.cn/
参考文献：
Huang L, Liu B, Li B, et al. OpenSARShip: A Dataset Dedicated toSentinel-1 Ship Interpretation[J]. IEEE Journal of Selected Topics in AppliedEarth Observations and Remote Sensing, 2017.
2.4 AIR-SARShip-1.0
高分辨率SAR舰船检测数据集-1.0（AIR-SARShip-1.0）首批发布31幅图像，图像分辨率包括1m和3m，成像模式包括聚束式和条带式，极化方式为单极化，场景类型包含港口、岛礁、不同等级海况的海面，目标覆盖运输船、油船、渔船等十余类近千艘舰船。 图像尺寸约为3000×3000像素，图像格式为Tiff、单通道、8/16位图像深度，标注文件提供相应图像的长宽尺寸、标注目标的类别以及标注矩形框的位置。
下载地址：AIR-SARShip-1.0：高分辨率SAR舰船检测数据集
参考文献：http://radars.ie.ac.cn/article/doi/10.12000/JR19097?viewType=HTML
2.5 SAR-Ship-Dataset
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船舶切片。高分三号的成像模式是Strip-Map (UFS)、Fine Strip-Map 1 (FSI)、Full Polarization 1 (QPSI)、Full Polarization 2(QPSII)和Fine Strip-Map 2 (FSII)。这5种成像模型的分辨率分别是3m、5m、8m、25m和10m。Sentinel-1的成像模式是条带模式（S3和S6）和宽幅成像模式。
下载链接：https://github.com/CAESAR-Radi/SAR-Ship-Dataset
参考文献：A SAR Dataset of Ship Detection for Deep Learningunder Complex Backgrounds
1.2.6 MSTAR
MSTAR数据库作为SAR图像自动目标识别（SAR ATR）研究的一个通用库，被很多学者广泛采用。从现有的SAR ATR系统处理流程来看，目标检测作为该系统的前端，很大程度上影响系统后续识别性能，在较好的检测性能下获得的目标区域可以直接进行分类识别，避免了鉴别阶段进一步减少虚警目标。目标识别作为该系统的后端处理部分，是整个系统的重点也是难点。