数据集包含100张5556*3704像素的光学图像和同一地区的SAR图像，覆盖了中国湖北省（北纬30°N-33°，东经108°E-117°）约50000公里的区域。该地区属亚热带季风气候，最低海拔50米，最高海拔3000米。WHU-OPT-SAR覆盖了山脉、林地、丘陵、平原等不同地形和针叶林、阔叶林、灌木和水生植被等不同植被的广泛遥感图像，该数据集中带有像素级注释的图像可以为基于深度学习的土地利用

针对遥感影像地物要素提取中显存不足和推理效率低的问题，本文提出了一套完整的解决方案。首先通过矢量标注和栅格转换生成训练样本，并采用滑窗裁剪处理大尺寸影像。模型训练阶段选用视觉语义分割算法（如Unet、DeepLab等）。推理时创新性地采用动态裁剪法，通过实时读取影像局部数据并直接写入结果空影像，避免中间数据落盘，显著提升效率。最后对预测结果进行栅格转矢量等后处理，满足行业需求。该方法解决了遥感大图

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%）。

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

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

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。

该遥感滑坡数据集由卫星光学图像、滑坡边界的形状文件和数字高程模型组成。该数据集中的所有图像，即770张滑坡图像（红点）和2003张非滑坡图像，都是从2018年5月至8月拍摄的TripleSat卫星图像中截取的，影像分辨率0.8米。对于滑坡实例，我们提供了滑坡图像、滑坡掩码文件和相应的DEM数据。

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

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。

DLRSD是一个密集的标签数据集，可用于多标签任务，例如遥感图像检索（RSIR）和分类，以及其他基于像素的任务，例如语义分割（在遥感中也称为分类）。