1、The River Data Set（高光譜河流變化檢測數據）

該數據集包含兩幅高光譜影像，分別于2013年5月3日和12月31日采集自中國江蘇省的某河流地區，所用傳感器為Earth Observing-1 (EO-1) Hyperion，光譜范圍為0.4—2.5 μm，光譜分辨率為10 nm，空間分辨率為30 m，影像大小為463×241像素，共有242個光譜波段，去除噪聲后有198個波段可用。影像中的主要變化類型是河道縮減。

圖1 “River”數據集的高光譜影像

下載地址：

文件分享

參考文獻：

Wang Q, Yuan Z, Du Q and Li X, 2019.“GETNET: A General End-to-end Two-dimensional CNN Framework for Hyperspectral Image Change Detection,” IEEE Transactions on Geoscience and Remote Sensing (T-GRS), vol. 57, no. 1, pp. 3-13

2、Hyperspectral Change Detection Dataset（高光譜圖像）

該數據集可用于在多時相高光譜圖像中執行變化檢測，包括兩個傳感器采集的3個不同地區的高光譜影像對:

• santaBarbara：影像大小為984×740像素，分別攝于2013年和2014年，所用傳感器為AVIRIS，包括224個光譜波段

• bayArea：影像大小為600×500像素，分別攝于2013年和2015年，所用傳感器為AVIRIS，包括224個光譜波段

• Hermiston：影像大小為390 ×200像素，分別攝于2004年和2007年，使用HYPERION傳感器拍攝，包括242個光譜波段

下載地址：

Hyperspectral Change Detection Dataset | Centro Singular de Investigación en Tecnoloxías Intelixentes - CiTIUS

3、Wuhan multi-temperature scene (MtS-WH) Dataset（武漢多時相場景變化檢測數據集）

本數據集包含兩幅由IKONOS傳感器獲得，大小為7200 x 6000像素的大尺寸高分辨

率遙感影像，覆蓋范圍為中國武漢市漢陽區，影像分別獲取于2002年2月和2009年6月，分辨率為1 m，包含4個波段（藍，綠，紅和近紅外波段）。每個時相訓練集包括190幅影像，測試集包括1920幅影像。

?圖2 MtS-WH數據集整體圖像和場景類別概覽

資料來源：

武漢大學智能感知與機器學習組

4、Season-varying Change Detection Dataset

該數據集包含3種類型圖像：沒有物體相對位移的合成圖像、物體相對位移較小的合成圖像、真實的季節變化遙感圖像（Google Earth獲得）。其中，具有真實季節變化的遙感圖像包含7對4725×2700像素大小的圖像，并從中采集得到16000個大小為256x256像素的樣本對（10000個訓練集，3000個測試集和3000個驗證集），空間分辨率為3—100 cm。

圖3 數據集中的遙感圖像樣本對示例

下載地址：

https://drive.google.com/file/d/1GX656JqqOyBi_Ef0w65kDGVto-nHrNs9/edit

參考文獻：

Lebedev, M. A., Vizilter, Y. V., Vygolov, O. V., Knyaz, V. A., and Rubis, A. Y.: CHANGE DETECTION IN REMOTE SENSING IMAGES USING CONDITIONAL ADVERSARIAL NETWORKS, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLII-2, 565–571,?

https://doi.org/10.5194/isprs-archives-XLII-2-565-2018, 2018.

5、Onera Satellite Change Detection (OSCD)

OSCD數據集由24對多光譜圖像組成，這些圖像于2015年和2018年由Sentinel-2衛星拍攝，包含13個波段，并具有10 m，20 m和60 m 3種空間分辨率。其中的14對圖像具有對應的像素級變化標記，可以用來訓練和設置變化檢測算法的參數。其余10對圖像的變化標記尚未公開， 但可以將預測的變化結果上傳至IEEE GRSS DASE網站(http://dase.grss-ieee.org/)進行評估，計算每一類的準確性和混淆矩陣，檢驗變化檢測算法的有效性。

圖4 “beirut”圖像對及其變化圖斑

下載地址：

Onera Satellite Change Detection Dataset - Rodrigo Caye Daudt

參考文獻：

R. Caye Daudt, B. Le Saux, A. Boulch, Y. Urban Change Detection for Multispectral Earth Observation Using Convolutional Neural Networks. Gousseau IEEE International Geoscience and Remote Sensing Symposium (IGARSS’2018) Valencia, Spain, July 2018

6、Change Detection Benchmark in Aerial Imagery (AICD Dataset)

該數據集包含1000對800×600大小的圖像及其對應的像素級變化標記，圖像的地面分辨率約為0.5 m。數據集包含100個不同的場景，包含樹木、建筑物等對象。

此外，為了分析視點差異對檢測性能的影響，每個場景分別從5個不同的視點進行拍攝。下圖展示了視點的設置，攝像機在高度約為250 m，半徑為100 m的范圍內，以10°為間隔，固定傾角約為-70°進行5個視點的拍攝。

圖5 視點的設置

圖6 示例圖像對及其變化圖斑

下載地址：

Change Detection Dataset | Computer Vision Online

7、The Urban Atlas

Urban Atlas數據集提供了主要歐盟城市范圍內可對比的土地利用和土地覆蓋數據，包含5份數據：(1) 2006年319個地區的城市功能區數據“Urban Atlas 2006”; (2) 2012年785個地區的城市功能區數據“Urban Atlas 2012”; (3) “Change 2006-2012”; (4) 部分區域的行道樹圖層“Street Tree Layer (STL)”; (5) 部分城市（歐盟28國和歐洲自由貿易聯盟國家首都）的核心城區建筑高度數據“Building Height 2012”；

其中，“Urban Atlas 2006”和“Urban Atlas 2012”包含每個地區的城市功能區矢量圖層及對應區域PDF格式的高分辨率地圖，而變化圖層“Change 2006-2012”統計了“Urban Atlas 2006”和“Urban Atlas 2012”中共同包含的區域的城市功能區變化情況。

圖7 Urban Atlas數據集

下載地址：

Urban Atlas — Copernicus Land Monitoring Service

8、SZTAKI AirChange Benchmark set

該數據集包含13對大小為952x640像素的航拍圖像，空間分辨率為1.5m。

圖8 SZTAKI數據集的Szada-1圖像對示例

下載地址：

MPLab Earth observation

參考文獻：

Cs. Benedek and T. Szirányi:. 2009. ”Change Detection in Optical Aerial Images by a Multi-Layer Conditional Mixed Markov Model”, IEEE Transactions on Geoscience and Remote Sensing, vol. 47, no. 10, pp. 3416-3430

9、LANDSAT images?

美國國家地質調查局（USGS）網站上提供的LANDSAT圖像開發的圖像集。 該網站提供各種分辨率的圖像，并提供圖像中已發生更改的詳細說明。可通過?dropbox?|?百度網盤（b37d）獲得。

?10、?ABCD dataset

ABCD（AIST Building Change Detection）數據集是一個標記數據集，專門用于構建和評估損壞檢測系統，以識別建筑物是否已被海嘯沖走。該數據集中的每個數據都是一對海嘯前后的航拍圖像，并包含位于圖像中心的目標建筑物。 分配給每個貼片對的類別標簽（即“沖走”或“幸存”）表示海嘯發生前貼片中心的建筑物是否被海嘯沖走。

圖像分為兩種：fixed-scale and resized。 Fixed-scale patches從航拍圖像中裁剪出固定的160 x 160像素的圖像； 因此它們具有與原始圖像相同的分辨率（40厘米）。 相反，resized patches 根據每個目標建筑的大小進行裁剪(具體來說，是目標建筑的三倍大)，然后全部調整為128 x 128像素； 因此 patches 的空間比例因建筑物而異。 所得的ABCD數據集包含 8,506 pairs for fixed-scale (4,253 washed-away) and 8,444 pairs for resized (4,223 washed-away)。

根目錄包含兩個目錄：fixed-scale /和resized /，每個目錄對應于如上所述的fixed-scale和resize圖像。 每個目錄都有兩個子目錄：patch-pairs /和5fold-list /。 在patch-pairs/中，"washed-away" 和 "surviving" patch pairs 以.tif格式存儲。 每個.tif文件包含6個通道，前三個通道用于海嘯前的RGB圖像，后三個通道用于海嘯后的圖像。 另外，5fold-list /中是csv文件，格式如下：

11、CDD （in?this Paper）

該數據集具有三種類型：沒有對象相對移動的合成圖像，對象相對移動較小的合成圖像，隨季節變化的真實遙感圖像（由Google Earth獲得）。 隨季節變化的遙感圖像具有16000個圖像集，圖像尺寸為256x256像素（10000個訓練集以及3000個測試和驗證集），空間分辨率為3至100 cm / px?？梢酝ㄟ^ Google Drive | 百度網盤（x8gi） 獲得。

數據集中包含生成圖像（具有隨機背景和隨機不相交的幾何圖形（正方形，圓形，矩形，三角形）的RGB圖像對）和真實圖像。具體介紹在論文的?EXPERIMENTS 部分。

12. BCDD (in this Paper)

數據集覆蓋了2011年2月發生6.3級地震的區域，并在隨后的幾年中進行了重建。 該數據集包含2012年4月獲得的航拍圖像，其中包含20.5平方千米的12796座建筑物（2016年數據集中的同一區域有16077座建筑物）。 通過手動選擇地面上的30個GCP，將子數據集地理校正為航空圖像數據集，精確度為1.6像素。
兩個100％重疊的數據集，分別命名為“ after_change”和“ before_change”，可以完全用于測試變化檢測算法的效果。

??13、WHU建筑數據集

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

# 其中，主頁包含4個數據集，均在官網提供快速下載

2-1）航空影像數據集

原始航拍數據來自新西蘭土地信息服務網站。我們手動編輯了基督城的建筑矢量數據，大約有 22,000 座獨立建筑。圖像的原始地面分辨率為0.075m。由于航拍圖像的大小（約25G），我們提供了兩種下載數據的方法?？梢詮奈覀兊木W站或從林茨官網下載：

https://data.linz.govt.nz/layer/51932-christchurch-post-earthquake-01m-urban-aerial-photos-24-february-2011/

我們提供手動編輯的 shapefile 對應整個區域。

我們還將大部分航拍圖像（包括 18,7000 座建筑物）下采樣到 0.3m 地面分辨率，并將它們裁剪成 8,189 個 512×512 像素的圖塊。shapefile 也被光柵化。即用型樣本分為三個部分：訓練集（130,500 座建筑物）、驗證集（14,500 座建筑物）和測試集（42,000 座建筑物）。

根據裁剪的順序，您可以從瓦片中恢復原始圖像。

訓練區（藍框）：64×74=4736瓦（寬×高）

評價區域（橙色框）：14×74=1036瓦

測試區域（兩個紅框）：17×42+23×74=2416塊（part1+part2）

整個航拍圖數據集（25G）

2-2）衛星數據集1（全球城市）

其中之一是從世界各地的城市和各種遙感資源中收集的，包括QuickBird、Worldview系列、IKONOS、ZY-3等，我們手動勾畫了所有建筑物。它包含 204 張圖像（512 × 512 塊，分辨率從 0.3 m 到 2.5 m 不等）。除了衛星傳感器的差異外，大氣條件的變化、全色和多光譜融合算法、大氣和輻射校正以及季節使樣本適合測試建筑物提取算法的魯棒性，但具有挑戰性。

衛星數據集 I (113M)。

2-2）衛星數據集2（東亞城市）

另一個衛星建筑子數據集由 6 個相鄰的衛星圖像組成，覆蓋東亞 860 平方公里，地面分辨率為 0.45 m。該測試區主要是為了評估和培養深度學習方法對同一地理區域內不同數據源但具有相似建筑風格的泛化能力。矢量建筑地圖也是在 ArcGIS 軟件中完全手動描繪的，包含 34085 座建筑物。整個圖像被無縫裁剪為 17388 個 512×512 的圖塊，以方便訓練和測試，其處理與我們的航空數據集相同。其中 25749 棟建筑（13662 格）用于訓練，其余 8358 棟建筑（3726 格）用于測試。

訓練面積：186×54+67×54=13662（part1+part2）

測試區域：69×54=3726（寬×高）（12/12/2018 細化更新形狀文件）

衛星數據集Ⅱ（13G）

2-4）建筑變化檢測數據集

我們的數據集覆蓋了 2011 年 2 月發生 6.3 級地震并在隨后幾年重建的區域。該數據集由 2012 年 4 月獲得的航拍圖像組成，其中包含 20.5 平方公里的 12796 座建筑物（2016 年數據集中同一區域的 16077 座建筑物）。通過在地表手動選擇 30 個 GCP，子數據集被地理校正為航空數據集，精度為 1.6 像素。這個子數據集和來自原始數據集的相應圖像現在與構建矢量和柵格地圖一起公開提供。

（2018 年 12 月 12 日更新）我們改進了矢量形狀并提供了一個名為“A_training_aera_before_change”的新 2012 數據集，用于在更改前為場景訓練 CNN 建筑提取模型。對于 2016 年的 CNN 模型，您可以使用第 1.3 節“裁剪后的圖像瓦片和柵格標簽（推薦使用，5G）”中提供的數據集進行訓練。因此，可以充分利用兩個 100% 重疊的數據集，分別命名為“after_change”和“before_change”，用于測試變更檢測算法的效果。

構建變更檢測數據集 (3.4G)。

14、武漢多應用高分辨率場景分類數據集（WH-MAVS）

# 可期待，未公開數據集下載（20220118還沒開放下載）

官網鏈接：http://sigma.whu.edu.cn/newspage.php?q=2021_06_27

Wuhan Multi-Application VHR Scene classification data set (WH-MAVS)

WH-MAVS數據集是目前為止唯一一個圍繞特大城市中心區域進行標注的，大范圍、面向多應用、多時相的、帶有地理坐標的場景分類數據集。該數據集不僅可以進行場景分類和場景變化檢測的方法理論研究與驗證，而且可以直接應用于土地利用與土地覆蓋的實際生產，如城市制圖與規劃、景觀生態學分析以及城市環境動態監測等領域，從而實現從算法到應用的“應用鴻溝”的跨越。

本數據集主要從Google Earth影像上獲取，空間分辨率1.2 m，影像大小為 47537×38100 像素的大尺寸高分辨率遙感影像。覆蓋范圍為中國武漢市中心城區，覆蓋面積超過6800 km2。影像分別獲取于2014年和2016年，包含紅、綠、藍三個波段。數據集在原始影像上易每個影像塊大小為200×200像素不重疊的剪裁，且兩個時相所有的樣本地理坐標一一對應，每個時相包括23,202個為變化區域樣本和365個變化樣本。

整個數據集的訓練樣本、驗證樣本以及測試樣本都是在大尺度高分辨率遙感影像中選取產生的。每個時相數據樣本量有23,567個，WH-MAVS 數據集總共47,134個樣本。每個時相訓練集包括16,496幅影像塊，驗證集包括4,713幅影像塊測試集包括2,356張影像。訓練集、驗證集和測試集的場景影像塊共劃分為以下14個類別：

數據集介紹

數據集整體圖像和場景類別概覽如下圖所示（更多信息請參考README文件）:

本數據集的版權屬于武漢大學智能感知與機器學習研究組SIGMA (Sensing IntelliGence and MAchine learning lab,?http://sigma.whu.edu.cn)。WH-MAVS數據集僅被授權應用于公開發表的科學研究和學術論文中。數據集及相關成果論文即將發表，敬請期待。

15、SECOND數據集

# 可下載

官網鏈接：http://www.captain-whu.com/PROJECT/SCD/

下載鏈接1：https://drive.google.com/file/d/1QlAdzrHpfBIOZ6SK78yHF2i1u6tikmBc/view?usp=sharing

# 沒有工具從GoogleDrive上下載資源的話可用下面好人上傳到網盤的路徑

下載鏈接2：https://pan.baidu.com/s/1FSdlPB_EPk8SUAJZFcem9A【RSAI】

論文鏈接：http://www.captain-whu.com/PROJECT/SCD/SCD_files/Semantic_Change_Detection.pdf

論文摘要：給定兩個多時相航拍圖像，語義變化檢測旨在定位土地覆蓋變化并用像素邊界識別它們的類別。在本文中，我們提出了一個非對稱孿生網絡(ASN) 通過從廣泛不同結構的模塊中獲得的特征對來定位和識別語義變化，這些特征對涉及不同的空間范圍和參數數量，以考慮不同土地覆蓋分布的差異。為了更好地訓練和評估本模型，還創建了一個大規模標注良好的語義變化檢測數據集（SECOND），同時提出了自適應閾值學習（ATL）模塊和分離的 kappa（SeK）系數來減輕標簽的影響模型訓練和評估不平衡。實驗結果表明，所提出的模型可以穩定地優于當前多個具有不同編碼器作為主干的算法。

我們提出的 SECOND 數據集的幾個樣本。白色表示 {non-change} 區域，而其他顏色表示不同的土地覆蓋類別。通過比較帶注釋的土地覆蓋類別，可以獲得 SCD 的真實情況。

If you have any problem on the use of SECOND dataset or Asymmetric Siamese Network model, please contact:

• Kunping Yang at kunpingyang@whu.edu.cn
• Gui-Song Xia at guisong.xia@whu.edu.cn

?16、DSIFN Dataset

# 可下載

官網鏈接：https://github.com/GeoZcx/A-deeply-supervised-image-fusion-network-for-change-detection-in-remote-sensing-images/tree/master/dataset

下載鏈接：https://pan.baidu.com/s/19TRsdPiRym9DoV76DukQ5g?【hetu】

論文鏈接：Zhang et al.2020

2020.?DSIFN 數據集該數據集是從 Google Earth 手動收集的。它由六個大型雙時相高分辨率圖像組成，覆蓋中國六個城市（即北京、成都、深圳、重慶、武漢、西安）。五個大的圖像對（即北京、成都、深圳、重慶、武漢）被裁剪成 394 個大小為 512×512 的子圖像對。數據增強后，獲得了 3940 個雙時相圖像對的集合。將西安圖像對剪裁成 48 個圖像對進行模型測試。訓練數據集中有 3600 個圖像對，驗證數據集中有 340 個圖像對，測試數據集中有 48 個圖像對。

17、北航 LEVIR-CD Dataset

# 可下載

官網鏈接：https://justchenhao.github.io/LEVIR/

下載鏈接1：https://pan.baidu.com/share/init?surl=fzNiOE7elGRmIo2h6MIhZw【l7iv】

下載鏈接2：https://pan.baidu.com/s/1HlnKWToc00986jiTxhq_CA【rsai】

論文鏈接：https://www.mdpi.com/2072-4292/12/10/1662

2020. LEVIR-CD

北航LEVIR實驗室所提供的 LEVIR 建筑變化檢測 (LEVIR-CD) 數據集是一個新的大規模遙感建筑變化檢測數據集。引入的數據集將成為評估變更檢測 (CD) 算法的新基準，尤其是那些基于深度學習的算法。

LEVIR-CD 由 637 個超高分辨率（VHR，0.5m/像素）谷歌地球（GE）圖像塊對組成，大小為 1024 × 1024 像素。這些時間跨度為 5 到 14 年的雙時態圖像具有顯著的土地利用變化，尤其是建筑增長。LEVIR-CD涵蓋別墅住宅、高層公寓、小型車庫、大型倉庫等各類建筑。在這里，我們關注與建筑相關的變化，包括建筑增長（從土壤/草地/硬化地面或在建建筑到新的建筑區域的變化）和建筑衰退。這些雙時態圖像由遙感圖像解釋專家使用二進制標簽（1 表示變化，0 表示不變）進行注釋。我們數據集中的每個樣本都由一個注釋者進行注釋，然后由另一個進行雙重檢查以生成高質量的注釋。LEVIR-CD 包含總共 31,333 個單獨的變更構建實例。

如果您在使用 LEVIR-CD 時有任何問題或反饋，請聯系

陳浩 at justchenhao@buaa.edu.cn

石振偉 at shizhenwei@buaa.edu.cn

18、商湯SenseEarth2020-人工智能遙感解譯大賽

# 可下載

官網鏈接：https://rs.sensetime.com/competition/index.html#/info

下載鏈接：https://pan.baidu.com/s/1-zTu1TJhf3gjBmmPbcvk7A【rsai】

冠軍隊伍項目：https://github.com/LiheYoung/SenseEarth2020-ChangeDetection

AI瞰世界·2020人工智能遙感解譯大賽為商湯科技主辦的首屆AI遙感解譯大賽，旨在推動“空間信息稀疏表征與融合處理”的相關理論與技術的發展，解決空間信息稀疏表征、多維時空數據的融合處理、空間信息的快速提取與知識發現等技術問題，引領該技術領域的創新發展，并激發熱愛地理信息和計算機視覺領域的年輕科學家探索前沿科技的無窮創造力。本屆大賽希望遴選出高效的遙感圖像變化檢測算法模型，對圖像中的變化圖斑信息進行高效識別，提高空間信息網絡建設中遙感圖像快速變化識別能力。

變化檢測數據集包含圖像對4,662組，分辨率在0.5~3m之間，圖像尺寸為512*512大小。

變化類型為6種主要土地性質之間的相互轉化：水體、地面、低矮植被、樹木、建筑物、運動場。每組數據中，前后時相的兩張圖片各自對應一張標注圖，表示發生變化的區域以及該圖片變化區域內各時期的土地性質。

19、RssrAI2019-遙感圖像稀疏表征與智能分析競賽

# 可下載

官網鏈接：http://rscup.bjxintong.com.cn（已關閉）

參考鏈接1：https://www.sohu.com/a/322434729_772793【比賽報名新聞】

參考鏈接2：https://www.cnblogs.com/2008nmj/p/13607773.html【比賽介紹博客】

下載鏈接：https://pan.baidu.com/s/1GZa_CxzWOcPOS54PM_FM2Q【rsai】

本項競賽由國家自然科學基金委信息科學部主辦的《遙感圖像稀疏表征與智能分析競賽》。有包含遙感影像地物分割和變化檢測在內的多個競賽主題，其中變化檢測賽道：參賽者們以光學遙感圖像為處理對象，使用主辦方提供的遙感圖像進行建筑物變化檢測，主辦方根據評分標準對變化檢測結果進行綜合評價。競賽中將提供兩個不同時間獲取的大尺度高分辨率遙感圖像（包含藍、綠、紅和近紅外四個波段），以及圖像中變化區域的二值化標注數據集。

PS：在幾位參賽者的GitHub或博客里，均提到官方提供的數據標注質量較差（錯/漏標）問題。

PPS：我下載回來的數據，把tif圖像文件直接打開是空白的？但查看大小應該沒出問題，看了下別人代碼貌似是需要讀取處理可視化后才能看到內容。

20、天池-TianChi【飛粵云端2017】廣東政務數據創新大賽

# 可下載

官網鏈接：https://tianchi.aliyun.com/competition/entrance/231615/introduction

下載鏈接：https://pan.baidu.com/s/12G5VWj8Hd6RFcjKT-9eMRg【rsai】

冠軍隊伍項目：https://tianchi.aliyun.com/forum/postDetail?spm=5176.12586969.1002.9.37d5218eQKmWIY&postId=3483

在國土監察業務中，很重要的一項工作是監管地上建筑物的建、拆、改、擴。如果地塊未經審批而存在建筑物，那么需要實地派人去調查是否出現了非法占地行為。如果地塊賣給了開發商但是沒有實際建設，那么需要調查是否捂地或者是開發商資金鏈出現問題。如果居民住房/商業用地異常擴大，那么需要調查是否存在違章建筑。對于大城市及其郊區來說，不可能靠國土局公務員來每天全城巡查，而可以靠高分辨率圖像和智能算法來自動完成這項任務。具體來說，需要靠高分系列衛星圖像（米級分辨率），和深度學習算法來革新現有的工作流程。

PS：和國內的遙感影像城市變化檢測超強相關

PPS：但這比賽的數據可以說需要在提供的數據基礎上進行相當一部分人工標注工作，不能直接拿來訓練網絡

PPPS：并且2015年和2017年的數據在清晰度等方面是存在差異的，需解決

本次大賽覆蓋廣東省部分地區數百平方公里的土地，其數據共3個大文件，存儲在OSS上，供所有參賽選手下載挖掘。衛星數據以Tiff圖像文件格式儲存。quickbird2015.tif是一張2015年的衛星圖片，quickbird2017.tif是一張2017年的衛星圖片。每個Tiff文件中有4個波段的數據：藍、綠、紅、近紅外。本次比賽的衛星數據為多景數據拼接而成，這是國土資源工作中常見的實際場景。比賽數據在藍、綠兩個波段有明顯的拼接痕跡，而紅、近紅外波段的拼接痕跡不明顯。建議選手挑選波段使用數據，或者在算法中設計應對方案。每個像元以16-bit存儲。

?

目錄

1、The River Data Set（高光譜河流變化檢測數據）

2、Hyperspectral Change Detection Dataset（高光譜圖像）

3、Wuhan multi-temperature scene (MtS-WH) Dataset（武漢多時相場景變化檢測數據集）

4、Season-varying Change Detection Dataset

5、Onera Satellite Change Detection (OSCD)

6、Change Detection Benchmark in Aerial Imagery (AICD Dataset)

7、The Urban Atlas

8、SZTAKI AirChange Benchmark set

9、LANDSAT images?

?10、?ABCD dataset

11、CDD （in?this Paper）

12. BCDD (in this Paper)

??13、WHU建筑數據集

14、武漢多應用高分辨率場景分類數據集（WH-MAVS）

15、SECOND數據集

?16、DSIFN Dataset

17、

北航 LEVIR-CD Dataset

18、商湯SenseEarth2020-人工智能遙感解譯大賽

19、RssrAI2019-遙感圖像稀疏表征與智能分析競賽

20、天池-TianChi【飛粵云端2017】廣東政務數據創新大賽

描述

---

21、中山大學-香港建筑變化檢測數據集

（20211019更新）

# 可下載

官網鏈接：GitHub - liumency/SYSU-CD: A new change detection dataset in "A Deeply-supervised Attention Metric-based Network and an Open Aerial Image Dataset for Remote Sensing Change Detection"

# 除了直接進入官方Github還有別人采集總結好的地址

下載鏈接：飛槳AI Studio - 人工智能學習與實訓社區

論文鏈接：https://ieeexplore.ieee.org/document/9467555

我們最近在IEEE Transactions on Geoscience and Remote Sensing 上發表的“基于深度監督的注意力度量的網絡和用于遙感變化檢測的開放航空圖像數據集”變化檢測數據集。

描述

• 該數據集包含 20000 對 2007 年至 2014 年在香港拍攝的 0.5 米航拍圖像，尺寸為 256×256。
• 數據集中的主要變化類型包括： (a) 新建城市建筑；(b) 郊區擴張；(c) 施工前的基礎工作；(d) 植被的變化；(e) 道路擴建；(f) 海上建設。

?

?

?

?

目錄

1、The River Data Set（高光譜河流變化檢測數據）

2、Hyperspectral Change Detection Dataset（高光譜圖像）

3、Wuhan multi-temperature scene (MtS-WH) Dataset（武漢多時相場景變化檢測數據集）

4、Season-varying Change Detection Dataset

5、Onera Satellite Change Detection (OSCD)

6、Change Detection Benchmark in Aerial Imagery (AICD Dataset)

7、The Urban Atlas

8、SZTAKI AirChange Benchmark set

---

總結

以上是生活随笔為你收集整理的深度学习之遥感变化检测数据集整理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。