grantierranet

BigEarthNet es un nuevo archivo de referencia de Sentinel-2 a gran escala, que consta de 590 326 parches de imágenes de Sentinel-2. El tamaño del parche de imagen en el suelo es de 1,2 x 1,2 km con un tamaño de imagen variable según la resolución del canal. Este es un conjunto de datos de múltiples etiquetas con 43 etiquetas desequilibradas.

Para construir BigEarthNet, se seleccionaron inicialmente 125 mosaicos Sentinel-2 adquiridos entre junio de 2017 y mayo de 2018 en los 10 países (Austria, Bélgica, Finlandia, Irlanda, Kosovo, Lituania, Luxemburgo, Portugal, Serbia, Suiza) de Europa. Todos los mosaicos fueron corregidos atmosféricamente por la herramienta de generación y formateo de productos Sentinel-2 Nivel 2A (sen2cor). Luego, se dividieron en 590 326 parches de imágenes que no se superponen. Cada parche de imagen fue anotado por las múltiples clases de cobertura terrestre (es decir, etiquetas múltiples) que se proporcionaron desde la base de datos de cobertura terrestre de CORINE del año 2018 (CLC 2018).

Bandas y resolución de píxeles en metros:

  • B01: Aerosol costero; 60m
  • B02: Azul; 10m
  • B03: Verde; 10m
  • B04: rojo; 10m
  • B05: borde rojo de la vegetación; 20m
  • B06: borde rojo de la vegetación; 20m
  • B07: borde rojo de la vegetación; 20m
  • B08: NIR; 10m
  • B09: Vapor de agua; 60m
  • B11: SWIR; 20m
  • B12: SWIR; 20m
  • B8A: NIR estrecho; 20m

Licencia: Acuerdo de licencia de datos comunitarios: permisivo, versión 1.0.

URL: http://bigearth.net/

Separar Ejemplos
'train' 590,326
@article{Sumbul2019BigEarthNetAL,
  title={BigEarthNet: A Large-Scale Benchmark Archive For Remote Sensing Image Understanding},
  author={Gencer Sumbul and Marcela Charfuelan and Beg{"u}m Demir and Volker Markl},
  journal={CoRR},
  year={2019},
  volume={abs/1902.06148}
}

bigearthnet/rgb (configuración predeterminada)

  • Descripción de la configuración : Sentinel-2 canales RGB

  • Estructura de características :

FeaturesDict({
    'filename': Text(shape=(), dtype=tf.string),
    'image': Image(shape=(120, 120, 3), dtype=tf.uint8),
    'labels': Sequence(ClassLabel(shape=(), dtype=tf.int64, num_classes=43)),
    'metadata': FeaturesDict({
        'acquisition_date': Text(shape=(), dtype=tf.string),
        'coordinates': FeaturesDict({
            'lrx': tf.int64,
            'lry': tf.int64,
            'ulx': tf.int64,
            'uly': tf.int64,
        }),
        'projection': Text(shape=(), dtype=tf.string),
        'tile_source': Text(shape=(), dtype=tf.string),
    }),
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
Nombre del archivo Texto tf.cadena
imagen Imagen (120, 120, 3) tf.uint8
etiquetas Secuencia (Etiqueta de clase) (Ninguna,) tf.int64
metadatos CaracterísticasDict
metadatos/fecha_de_adquisición Texto tf.cadena
metadatos/coordenadas CaracterísticasDict
metadatos/coordenadas/lrx Tensor tf.int64
metadatos/coordenadas/lry Tensor tf.int64
metadatos/coordenadas/ulx Tensor tf.int64
metadatos/coordenadas/julio Tensor tf.int64
metadatos/proyección Texto tf.cadena
metadatos/tile_source Texto tf.cadena

bigearthnet/todos

  • Descripción de la configuración : 13 canales Sentinel-2

  • Estructura de características :

FeaturesDict({
    'B01': Tensor(shape=(20, 20), dtype=tf.float32),
    'B02': Tensor(shape=(120, 120), dtype=tf.float32),
    'B03': Tensor(shape=(120, 120), dtype=tf.float32),
    'B04': Tensor(shape=(120, 120), dtype=tf.float32),
    'B05': Tensor(shape=(60, 60), dtype=tf.float32),
    'B06': Tensor(shape=(60, 60), dtype=tf.float32),
    'B07': Tensor(shape=(60, 60), dtype=tf.float32),
    'B08': Tensor(shape=(120, 120), dtype=tf.float32),
    'B09': Tensor(shape=(20, 20), dtype=tf.float32),
    'B11': Tensor(shape=(60, 60), dtype=tf.float32),
    'B12': Tensor(shape=(60, 60), dtype=tf.float32),
    'B8A': Tensor(shape=(60, 60), dtype=tf.float32),
    'filename': Text(shape=(), dtype=tf.string),
    'labels': Sequence(ClassLabel(shape=(), dtype=tf.int64, num_classes=43)),
    'metadata': FeaturesDict({
        'acquisition_date': Text(shape=(), dtype=tf.string),
        'coordinates': FeaturesDict({
            'lrx': tf.int64,
            'lry': tf.int64,
            'ulx': tf.int64,
            'uly': tf.int64,
        }),
        'projection': Text(shape=(), dtype=tf.string),
        'tile_source': Text(shape=(), dtype=tf.string),
    }),
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
B01 Tensor (20, 20) tf.float32
B02 Tensor (120, 120) tf.float32
B03 Tensor (120, 120) tf.float32
B04 Tensor (120, 120) tf.float32
B05 Tensor (60, 60) tf.float32
B06 Tensor (60, 60) tf.float32
B07 Tensor (60, 60) tf.float32
B08 Tensor (120, 120) tf.float32
B09 Tensor (20, 20) tf.float32
B11 Tensor (60, 60) tf.float32
B12 Tensor (60, 60) tf.float32
B8A Tensor (60, 60) tf.float32
Nombre del archivo Texto tf.cadena
etiquetas Secuencia (Etiqueta de clase) (Ninguna,) tf.int64
metadatos CaracterísticasDict
metadatos/fecha_de_adquisición Texto tf.cadena
metadatos/coordenadas CaracterísticasDict
metadatos/coordenadas/lrx Tensor tf.int64
metadatos/coordenadas/lry Tensor tf.int64
metadatos/coordenadas/ulx Tensor tf.int64
metadatos/coordenadas/julio Tensor tf.int64
metadatos/proyección Texto tf.cadena
metadatos/tile_source Texto tf.cadena