Ayuda a proteger la Gran Barrera de Coral con TensorFlow en Kaggle Únete Challenge

bigearthnet

BigEarthNet es un nuevo archivo de referencia Sentinel-2 a gran escala, que consta de 590,326 parches de imagen 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 en función de la resolución del canal. Este es un conjunto de datos de etiquetas múltiples 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 se corrigieron atmosféricamente mediante la herramienta de formato y generación de productos Sentinel-2 Level 2A (sen2cor). Luego, se dividieron en 590,326 parches de imagen no superpuestos. Cada parche de imagen fue anotado por las múltiples clases de cobertura terrestre (es decir, etiquetas múltiples) que se proporcionaron a partir de la base de datos CORINE Land Cover 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 vegetación; 20m
  • B06: Borde rojo de vegetación; 20m
  • B07: Borde rojo de 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 de la comunidad - Permisivo, versión 1.0.

URL: http://bigearth.net/

Separar Ejemplos de
'train' 590,326
  • Cita:
@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 Config: Sentinel-2 canales RGB

  • 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),
    }),
})

Visualización

bigearthnet / todos

  • Descripción Config: 13 Sentinel-2 canales

  • 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),
    }),
})