bigearthnet

BigEarthNetは、新しい大規模なSentinel-2ベンチマークアーカイブであり、590,326個のSentinel-2イメージパッチで構成されています。地上の画像パッチサイズは1.2x 1.2 kmで、チャネル解像度に応じて画像サイズが異なります。これは、43個の不均衡なラベルを持つマルチラベルデータセットです。

BigEarthNetを構築するために、2017年6月から2018年5月の間にヨーロッパの10か国(オーストリア、ベルギー、フィンランド、アイルランド、コソボ、リトアニア、ルクセンブルグ、ポルトガル、セルビア、スイス)で取得した125のSentinel-2タイルが最初に選択されました。すべてのタイルは、Sentinel-2レベル2A製品生成およびフォーマットツール(sen2cor)によって大気補正されました。次に、それらは590,326個の重複しない画像パッチに分割されました。各画像パッチは、2018年のCORINE土地被覆データベース(CLC 2018)から提供された複数の土地被覆クラス(つまり、マルチラベル)によって注釈が付けられました。

メートル単位のバンドとピクセル解像度:

  • B01:沿岸エアロゾル; 60メートル
  • B02:青; 10メートル
  • B03:緑; 10メートル
  • B04:赤; 10メートル
  • B05:植生の赤いエッジ; 20メートル
  • B06:植生の赤いエッジ; 20メートル
  • B07:植生の赤いエッジ; 20メートル
  • B08:NIR; 10メートル
  • B09:水蒸気; 60メートル
  • B11:SWIR; 20メートル
  • B12:SWIR; 20メートル
  • B8A:狭いNIR; 20メートル

ライセンス:コミュニティデータ使用許諾契約-許可、バージョン1.0。

URL: http://bigearth.net/

スプリット
'train' 590,326
  • 引用
@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(デフォルト設定)

  • コンフィグの説明:センチネル-2 RGBチャンネル

  • 特長

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),
    }),
})

視覚化

bigearthnet / all

  • 設定の説明:13のSentinel-2チャネル

  • 特長

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),
    }),
})