该数据集由WHU-OPT-SAR数据集整理而来，覆盖面积51448.56公里，分辨率为5米。据我们所知，WHU-OPT-SAR是第一个也是最大的土地利用分类数据集，它融合了高分辨率光学和SAR图像，并进行了充分的标注

Potsdam 数据集是一个有着2D 语义分割内容标注的城市遥感数据集

大规模分类集（GID-5）包含建筑、农田、森林、草地和水域等5个土地覆盖类别，共计150景像素级标注的Gaofen-2卫星遥感图像。下面对原始影像及标签进行模型训练前的数据预处理，根据这套数据集的原始信息，原始数据包括原始影像和RGB真值图片，需要将RGB波段转化为单波段图片，然后根据自己训练模型的图片尺寸大小批量裁剪原始影像和标签为所需要的尺寸，比如512*512，另外如果需要检查裁剪后的数据是

GID 是基于我国Gaofen-2卫星数据而构建的大规模高分辨率遥感图像土地覆盖数据集。它包含150张高分辨率高分二号卫星图像的50多亿个标记像素，在一个涵盖人工建造、农业和自然类别的24类系统中进行了标注

构建了一个城市-农村域自适应地表覆盖数据集LoveDA，同时推进语义分割和迁移学习，LoveDA 数据集包含来自三个不同城市的5987张0.3m高分辨率影像和166,768个标注语义对象。

Vaihingen是一个相对较小的村庄，有许多独立的建筑和小的多层建筑。

遥感影像局部裁剪方法：针对大范围遥感影像中只需提取局部区域的需求，提出了一种基于矢量边界的裁剪方法。该方法利用GDAL库的Warp函数，通过输入影像和矢量边界文件，实现精准的局部裁剪。核心代码仅需5行，主要参数包括输出路径、输入影像、矢量边界路径及裁剪模式。该方法操作简便，能有效减少数据处理量，提高工作效率。如图例所示，该方法可准确提取目标区域影像，去除无关区域，适用于县、村镇等小范围要素提取场景

开源数据集isaid标注包含实例分割，但是原始影像太大，很吃显存，一般显卡无法用原始影像直接训练，所以需要对影像进行裁剪，并生成对应的标签，因为想用yolo系列跑模型，所以将标签需要转为txt格式。

提供高分辨率亚米卫星图像，重点是农村地区。由于土地覆盖类型的多样性和注释的高密度，该数据集很具挑战性。该数据集共包含1146幅卫星图像，大小为2448×2448像素，分为训练/验证/测试集，每组图像为803/171/172幅（对应70%/15%/15%）。

细粒度语义分割赛道依据现有的遥感地物分类要求， 结合现有的地物分类实际需求，参照地理国情监测、 “三调”等既有地物分类标准，依据遥感地物“所见即所得”原则， 设计地物要素分类体系，共涉及一级大类8种，数据为0.8米-2米分辨率的遥感图像。