امروز برای رویداد محلی TensorFlow خود در همه جا پاسخ دهید!
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

bigearthnet

  • توضیحات :

BigEarthNet یک بایگانی جدید در مقیاس بزرگ Sentinel-2 است که شامل 590،326 وصله تصویری Sentinel-2 است. اندازه وصله تصویر روی زمین 1.2 1.2 1.2 کیلومتر است که اندازه تصویر متغیر بسته به وضوح کانال دارد. این یک مجموعه داده چند برچسب با 43 برچسب نامتعادل است.

برای ساخت BigEarthNet ، ابتدا 125 کاشی Sentinel-2 بین ژوئن 2017 و مه 2018 در 10 کشور (اتریش ، بلژیک ، فنلاند ، ایرلند ، کوزوو ، لیتوانی ، لوکزامبورگ ، پرتغال ، صربستان ، سوئیس) اروپا خریداری شد. تمام کاشی ها توسط ابزار تولید و قالب بندی محصولات Sentinel-2 Level 2A (sen2cor) از نظر جوی اصلاح شدند. سپس ، آنها به 590326 وصله تصویری غیر همپوشانی تقسیم شدند. هر وصله تصویری توسط چندین کلاس پوشش زمین (به عنوان مثال ، چند برچسب) که از پایگاه داده CORINE Land Cover سال 2018 (CLC 2018) ارائه شده است ، حاشیه نویسی شده است.

باند و وضوح پیکسل در متر:

  • B01: آئروسل ساحلی ؛ 60 متر
  • B02: آبی 10 متر
  • B03: سبز ؛ 10 متر
  • B04: قرمز 10 متر
  • B05: لبه قرمز گیاهان ؛ 20 متر
  • B06: لبه قرمز گیاهان ؛ 20 متر
  • B07: پوشش گیاهی لبه قرمز ؛ 20 متر
  • B08: NIR؛ 10 متر
  • B09: بخار آب ؛ 60 متر
  • B11: SWIR؛ 20 متر
  • B12: SWIR؛ 20 متر
  • B8A: NIR باریک ؛ 20 متر

مجوز: توافق نامه مجوز داده های جامعه - مجاز ، نسخه 1.0.

آدرس اینترنتی: http://bigearth.net/

شکاف مثال ها
'train' 590،326
  • نقل قول :
@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 (پیکربندی پیش فرض)

  • توضیحات پیکربندی : کانالهای RGB Sentinel-2

  • ویژگی ها :

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),
    }),
})

تجسم

bigearthnet / همه

  • شرح پیکربندی : 13 کانال Sentinel-2

  • ویژگی ها :

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),
    }),
})