1、The River Data Set（高光谱河流变化检测数据）
该数据集包含两幅高光谱影像，分别于2013年5月3日和12月31日采集自中国江苏省的某河流地区，所用传感器为Earth Observing-1 (EO-1) Hyperion，光谱范围为0.4—2.5 μm，光谱分辨率为10 nm，空间分辨率为30 m，影像大小为463×241像素，共有242个光谱波段，去除噪声后有198个波段可用。影像中的主要变化类型是河道缩减。
图1 “River”数据集的高光谱影像
下载地址：
参考文献：
Wang Q, Yuan Z, Du Q and Li X, 2019.“GETNET: A General End-to-end Two-dimensional CNN Framework for Hyperspectral Image Change Detection,” IEEE Transactions on Geoscience and Remote Sensing (T-GRS), vol. 57, no. 1, pp. 3-13
2、Hyperspectral Change Detection Dataset（高光谱图像）
该数据集可用于在多时相高光谱图像中执行变化检测，包括两个传感器采集的3个不同地区的高光谱影像对:
-
santaBarbara：影像大小为984×740像素，分别摄于2013年和2014年，所用传感器为AVIRIS，包括224个光谱波段
-
bayArea：影像大小为600×500像素，分别摄于2013年和2015年，所用传感器为AVIRIS，包括224个光谱波段
-
Hermiston：影像大小为390 ×200像素，分别摄于2004年和2007年，使用HYPERION传感器拍摄，包括242个光谱波段
下载地址：
3、Wuhan multi-temperature scene (MtS-WH) Dataset（武汉多时相场景变化检测数据集）
本数据集包含两幅由IKONOS传感器获得，大小为7200 x 6000像素的大尺寸高分辨
率遥感影像，覆盖范围为中国武汉市汉阳区，影像分别获取于2002年2月和2009年6月，分辨率为1 m，包含4个波段（蓝，绿，红和近红外波段）。每个时相训练集包括190幅影像，测试集包括1920幅影像。
图2 MtS-WH数据集整体图像和场景类别概览
资料来源：
4、Season-varying Change Detection Dataset
该数据集包含3种类型图像：没有物体相对位移的合成图像、物体相对位移较小的合成图像、真实的季节变化遥感图像（Google Earth获得）。其中，具有真实季节变化的遥感图像包含7对4725×2700像素大小的图像，并从中采集得到16000个大小为256x256像素的样本对（10000个训练集，3000个测试集和3000个验证集），空间分辨率为3—100 cm。
图3 数据集中的遥感图像样本对示例
下载地址：
https://drive.google.com/file/d/1GX656JqqOyBi_Ef0w65kDGVto-nHrNs9/edit
参考文献：
Lebedev, M. A., Vizilter, Y. V., Vygolov, O. V., Knyaz, V. A., and Rubis, A. Y.: CHANGE DETECTION IN REMOTE SENSING IMAGES USING CONDITIONAL ADVERSARIAL NETWORKS, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLII-2, 565–571,
https://doi.org/10.5194/isprs-archives-XLII-2-565-2018, 2018.
5、Onera Satellite Change Detection (OSCD)
OSCD数据集由24对多光谱图像组成，这些图像于2015年和2018年由Sentinel-2卫星拍摄，包含13个波段，并具有10 m，20 m和60 m 3种空间分辨率。其中的14对图像具有对应的像素级变化标记，可以用来训练和设置变化检测算法的参数。其余10对图像的变化标记尚未公开， 但可以将预测的变化结果上传至IEEE GRSS DASE网站(http://dase.grss-ieee.org/)进行评估，计算每一类的准确性和混淆矩阵，检验变化检测算法的有效性。
图4 “beirut”图像对及其变化图斑
下载地址：
Onera Satellite Change Detection Dataset - Rodrigo Caye Daudt
参考文献：
R. Caye Daudt, B. Le Saux, A. Boulch, Y. Urban Change Detection for Multispectral Earth Observation Using Convolutional Neural Networks. Gousseau IEEE International Geoscience and Remote Sensing Symposium (IGARSS’2018) Valencia, Spain, July 2018
6、Change Detection Benchmark in Aerial Imagery (AICD Dataset)
该数据集包含1000对800×600大小的图像及其对应的像素级变化标记，图像的地面分辨率约为0.5 m。数据集包含100个不同的场景，包含树木、建筑物等对象。
此外，为了分析视点差异对检测性能的影响，每个场景分别从5个不同的视点进行拍摄。下图展示了视点的设置，摄像机在高度约为250 m，半径为100 m的范围内，以10°为间隔，固定倾角约为-70°进行5个视点的拍摄。
图5 视点的设置
图6 示例图像对及其变化图斑
下载地址：
Change Detection Dataset | Computer Vision Online
7、The Urban Atlas
Urban Atlas数据集提供了主要欧盟城市范围内可对比的土地利用和土地覆盖数据，包含5份数据：(1) 2006年319个地区的城市功能区数据“Urban Atlas 2006”; (2) 2012年785个地区的城市功能区数据“Urban Atlas 2012”; (3) “Change 2006-2012”; (4) 部分区域的行道树图层“Street Tree Layer (STL)”; (5) 部分城市（欧盟28国和欧洲自由贸易联盟国家首都）的核心城区建筑高度数据“Building Height 2012”；
其中，“Urban Atlas 2006”和“Urban Atlas 2012”包含每个地区的城市功能区矢量图层及对应区域PDF格式的高分辨率地图，而变化图层“Change 2006-2012”统计了“Urban Atlas 2006”和“Urban Atlas 2012”中共同包含的区域的城市功能区变化情况。
图7 Urban Atlas数据集
下载地址：
Urban Atlas — Copernicus Land Monitoring Service
8、SZTAKI AirChange Benchmark set
该数据集包含13对大小为952x640像素的航拍图像，空间分辨率为1.5m。
图8 SZTAKI数据集的Szada-1图像对示例
下载地址：
参考文献：
Cs. Benedek and T. Szirányi:. 2009. ”Change Detection in Optical Aerial Images by a Multi-Layer Conditional Mixed Markov Model”, IEEE Transactions on Geoscience and Remote Sensing, vol. 47, no. 10, pp. 3416-3430
9、LANDSAT images
美国国家地质调查局（USGS）网站上提供的LANDSAT图像开发的图像集。 该网站提供各种分辨率的图像，并提供图像中已发生更改的详细说明。可通过 dropbox | 百度网盘（b37d）获得。
10、 ABCD dataset
ABCD（AIST Building Change Detection）数据集是一个标记数据集，专门用于构建和评估损坏检测系统，以识别建筑物是否已被海啸冲走。该数据集中的每个数据都是一对海啸前后的航拍图像，并包含位于图像中心的目标建筑物。 分配给每个贴片对的类别标签（即“冲走”或“幸存”）表示海啸发生前贴片中心的建筑物是否被海啸冲走。
图像分为两种：fixed-scale and resized。 Fixed-scale patches从航拍图像中裁剪出固定的160 x 160像素的图像； 因此它们具有与原始图像相同的分辨率（40厘米）。 相反，resized patches 根据每个目标建筑的大小进行裁剪(具体来说，是目标建筑的三倍大)，然后全部调整为128 x 128像素； 因此 patches 的空间比例因建筑物而异。 所得的ABCD数据集包含 8,506 pairs for fixed-scale (4,253 washed-away) and 8,444 pairs for resized (4,223 washed-away)。
根目录包含两个目录：fixed-scale /和resized /，每个目录对应于如上所述的fixed-scale和resize图像。 每个目录都有两个子目录：patch-pairs /和5fold-list /。 在patch-pairs/中，"washed-away" 和 "surviving" patch pairs 以.tif格式存储。 每个.tif文件包含6个通道，前三个通道用于海啸前的RGB图像，后三个通道用于海啸后的图像。 另外，5fold-list /中是csv文件，格式如下：
11、CDD （in this Paper）
该数据集具有三种类型：没有对象相对移动的合成图像，对象相对移动较小的合成图像，随季节变化的真实遥感图像（由Google Earth获得）。 随季节变化的遥感图像具有16000个图像集，图像尺寸为256x256像素（10000个训练集以及3000个测试和验证集），空间分辨率为3至100 cm / px。可以通过 Google Drive | 百度网盘（x8gi） 获得。
数据集中包含生成图像（具有随机背景和随机不相交的几何图形（正方形，圆形，矩形，三角形）的RGB图像对）和真实图像。具体介绍在论文的 EXPERIMENTS 部分。
12. BCDD (in this Paper)
数据集覆盖了2011年2月发生6.3级地震的区域，并在随后的几年中进行了重建。 该数据集包含2012年4月获得的航拍图像，其中包含20.5平方千米的12796座建筑物（2016年数据集中的同一区域有16077座建筑物）。 通过手动选择地面上的30个GCP，将子数据集地理校正为航空图像数据集，精确度为1.6像素。
两个100％重叠的数据集，分别命名为“ after_change”和“ before_change”，可以完全用于测试变化检测算法的效果。
13、WHU建筑数据集
http://study.rsgis.whu.edu.cn/pages/download/building_dataset.html
# 其中，主页包含4个数据集，均在官网提供快速下载
2-1）航空影像数据集
原始航拍数据来自新西兰土地信息服务网站。我们手动编辑了基督城的建筑矢量数据，大约有 22,000 座独立建筑。图像的原始地面分辨率为0.075m。由于航拍图像的大小（约25G），我们提供了两种下载数据的方法。可以从我们的网站或从林茨官网下载：
我们提供手动编辑的 shapefile 对应整个区域。
我们还将大部分航拍图像（包括 18,7000 座建筑物）下采样到 0.3m 地面分辨率，并将它们裁剪成 8,189 个 512×512 像素的图块。shapefile 也被光栅化。即用型样本分为三个部分：训练集（130,500 座建筑物）、验证集（14,500 座建筑物）和测试集（42,000 座建筑物）。
根据裁剪的顺序，您可以从瓦片中恢复原始图像。
训练区（蓝框）：64×74=4736瓦（宽×高）
评价区域（橙色框）：14×74=1036瓦
测试区域（两个红框）：17×42+23×74=2416块（part1+part2）
整个航拍图数据集（25G）
2-2）卫星数据集1（全球城市）
其中之一是从世界各地的城市和各种遥感资源中收集的，包括QuickBird、Worldview系列、IKONOS、ZY-3等，我们手动勾画了所有建筑物。它包含 204 张图像（512 × 512 块，分辨率从 0.3 m 到 2.5 m 不等）。除了卫星传感器的差异外，大气条件的变化、全色和多光谱融合算法、大气和辐射校正以及季节使样本适合测试建筑物提取算法的鲁棒性，但具有挑战性。
卫星数据集 I (113M)。
2-2）卫星数据集2（东亚城市）
另一个卫星建筑子数据集由 6 个相邻的卫星图像组成，覆盖东亚 860 平方公里，地面分辨率为 0.45 m。该测试区主要是为了评估和培养深度学习方法对同一地理区域内不同数据源但具有相似建筑风格的泛化能力。矢量建筑地图也是在 ArcGIS 软件中完全手动描绘的，包含 34085 座建筑物。整个图像被无缝裁剪为 17388 个 512×512 的图块，以方便训练和测试，其处理与我们的航空数据集相同。其中 25749 栋建筑（13662 格）用于训练，其余 8358 栋建筑（3726 格）用于测试。
训练面积：186×54+67×54=13662（part1+part2）
测试区域：69×54=3726（宽×高）（12/12/2018 细化更新形状文件）
卫星数据集Ⅱ（13G）
2-4）建筑变化检测数据集
我们的数据集覆盖了 2011 年 2 月发生 6.3 级地震并在随后几年重建的区域。该数据集由 2012 年 4 月获得的航拍图像组成，其中包含 20.5 平方公里的 12796 座建筑物（2016 年数据集中同一区域的 16077 座建筑物）。通过在地表手动选择 30 个 GCP，子数据集被地理校正为航空数据集，精度为 1.6 像素。这个子数据集和来自原始数据集的相应图像现在与构建矢量和栅格地图一起公开提供。
（2018 年 12 月 12 日更新）我们改进了矢量形状并提供了一个名为“A_training_aera_before_change”的新 2012 数据集，用于在更改前为场景训练 CNN 建筑提取模型。对于 2016 年的 CNN 模型，您可以使用第 1.3 节“裁剪后的图像瓦片和栅格标签（推荐使用，5G）”中提供的数据集进行训练。因此，可以充分利用两个 100% 重叠的数据集，分别命名为“after_change”和“before_change”，用于测试变更检测算法的效果。
构建变更检测数据集 (3.4G)。
14、武汉多应用高分辨率场景分类数据集（WH-MAVS）
# 可期待，未公开数据集下载（20220118还没开放下载）
官网链接：http://sigma.whu.edu.cn/newspage.php?q=2021_06_27
Wuhan Multi-Application VHR Scene classification data set (WH-MAVS)
WH-MAVS数据集是目前为止唯一一个围绕特大城市中心区域进行标注的，大范围、面向多应用、多时相的、带有地理坐标的场景分类数据集。该数据集不仅可以进行场景分类和场景变化检测的方法理论研究与验证，而且可以直接应用于土地利用与土地覆盖的实际生产，如城市制图与规划、景观生态学分析以及城市环境动态监测等领域，从而实现从算法到应用的“应用鸿沟”的跨越。
本数据集主要从Google Earth影像上获取，空间分辨率1.2 m，影像大小为 47537×38100 像素的大尺寸高分辨率遥感影像。覆盖范围为中国武汉市中心城区，覆盖面积超过6800 km2。影像分别获取于2014年和2016年，包含红、绿、蓝三个波段。数据集在原始影像上易每个影像块大小为200×200像素不重叠的剪裁，且两个时相所有的样本地理坐标一一对应，每个时相包括23,202个为变化区域样本和365个变化样本。
整个数据集的训练样本、验证样本以及测试样本都是在大尺度高分辨率遥感影像中选取产生的。每个时相数据样本量有23,567个，WH-MAVS 数据集总共47,134个样本。每个时相训练集包括16,496幅影像块，验证集包括4,713幅影像块测试集包括2,356张影像。训练集、验证集和测试集的场景影像块共划分为以下14个类别：
数据集介绍
数据集整体图像和场景类别概览如下图所示（更多信息请参考README文件）:
本数据集的版权属于武汉大学智能感知与机器学习研究组SIGMA (Sensing IntelliGence and MAchine learning lab, http://sigma.whu.edu.cn)。WH-MAVS数据集仅被授权应用于公开发表的科学研究和学术论文中。数据集及相关成果论文即将发表，敬请期待。
15、SECOND数据集
# 可下载
官网链接：http://www.captain-whu.com/PROJECT/SCD/
下载链接1：https://drive.google.com/file/d/1QlAdzrHpfBIOZ6SK78yHF2i1u6tikmBc/view?usp=sharing
# 没有工具从GoogleDrive上下载资源的话可用下面好人上传到网盘的路径
下载链接2：https://pan.baidu.com/s/1FSdlPB_EPk8SUAJZFcem9A【RSAI】
论文链接：http://www.captain-whu.com/PROJECT/SCD/SCD_files/Semantic_Change_Detection.pdf
论文摘要：给定两个多时相航拍图像，语义变化检测旨在定位土地覆盖变化并用像素边界识别它们的类别。在本文中，我们提出了一个非对称孪生网络(ASN) 通过从广泛不同结构的模块中获得的特征对来定位和识别语义变化，这些特征对涉及不同的空间范围和参数数量，以考虑不同土地覆盖分布的差异。为了更好地训练和评估本模型，还创建了一个大规模标注良好的语义变化检测数据集（SECOND），同时提出了自适应阈值学习（ATL）模块和分离的 kappa（SeK）系数来减轻标签的影响模型训练和评估不平衡。实验结果表明，所提出的模型可以稳定地优于当前多个具有不同编码器作为主干的算法。
我们提出的 SECOND 数据集的几个样本。白色表示 {non-change} 区域，而其他颜色表示不同的土地覆盖类别。通过比较带注释的土地覆盖类别，可以获得 SCD 的真实情况。
If you have any problem on the use of SECOND dataset or Asymmetric Siamese Network model, please contact:
- Kunping Yang at [email protected]
- Gui-Song Xia at [email protected]
16、DSIFN Dataset
# 可下载
下载链接：https://pan.baidu.com/s/19TRsdPiRym9DoV76DukQ5g 【hetu】
论文链接：Zhang et al.2020
2020. DSIFN 数据集该数据集是从 Google Earth 手动收集的。它由六个大型双时相高分辨率图像组成，覆盖中国六个城市（即北京、成都、深圳、重庆、武汉、西安）。五个大的图像对（即北京、成都、深圳、重庆、武汉）被裁剪成 394 个大小为 512×512 的子图像对。数据增强后，获得了 3940 个双时相图像对的集合。将西安图像对剪裁成 48 个图像对进行模型测试。训练数据集中有 3600 个图像对，验证数据集中有 340 个图像对，测试数据集中有 48 个图像对。
17、北航 LEVIR-CD Dataset
# 可下载
官网链接：https://justchenhao.github.io/LEVIR/
下载链接1：https://pan.baidu.com/share/init?surl=fzNiOE7elGRmIo2h6MIhZw【l7iv】
下载链接2：https://pan.baidu.com/s/1HlnKWToc00986jiTxhq_CA【rsai】
论文链接：https://www.mdpi.com/2072-4292/12/10/1662
2020. LEVIR-CD
北航LEVIR实验室所提供的 LEVIR 建筑变化检测 (LEVIR-CD) 数据集是一个新的大规模遥感建筑变化检测数据集。引入的数据集将成为评估变更检测 (CD) 算法的新基准，尤其是那些基于深度学习的算法。
LEVIR-CD 由 637 个超高分辨率（VHR，0.5m/像素）谷歌地球（GE）图像块对组成，大小为 1024 × 1024 像素。这些时间跨度为 5 到 14 年的双时态图像具有显着的土地利用变化，尤其是建筑增长。LEVIR-CD涵盖别墅住宅、高层公寓、小型车库、大型仓库等各类建筑。在这里，我们关注与建筑相关的变化，包括建筑增长（从土壤/草地/硬化地面或在建建筑到新的建筑区域的变化）和建筑衰退。这些双时态图像由遥感图像解释专家使用二进制标签（1 表示变化，0 表示不变）进行注释。我们数据集中的每个样本都由一个注释者进行注释，然后由另一个进行双重检查以生成高质量的注释。LEVIR-CD 包含总共 31,333 个单独的变更构建实例。
如果您在使用 LEVIR-CD 时有任何问题或反馈，请联系
陈浩 at [email protected]
石振伟 at [email protected]
18、商汤SenseEarth2020-人工智能遥感解译大赛
# 可下载
官网链接：https://rs.sensetime.com/competition/index.html#/info
下载链接：https://pan.baidu.com/s/1-zTu1TJhf3gjBmmPbcvk7A【rsai】
冠军队伍项目：https://github.com/LiheYoung/SenseEarth2020-ChangeDetection
AI瞰世界·2020人工智能遥感解译大赛为商汤科技主办的首届AI遥感解译大赛，旨在推动“空间信息稀疏表征与融合处理”的相关理论与技术的发展，解决空间信息稀疏表征、多维时空数据的融合处理、空间信息的快速提取与知识发现等技术问题，引领该技术领域的创新发展，并激发热爱地理信息和计算机视觉领域的年轻科学家探索前沿科技的无穷创造力。本届大赛希望遴选出高效的遥感图像变化检测算法模型，对图像中的变化图斑信息进行高效识别，提高空间信息网络建设中遥感图像快速变化识别能力。
变化检测数据集包含图像对4,662组，分辨率在0.5~3m之间，图像尺寸为512*512大小。
变化类型为6种主要土地性质之间的相互转化：水体、地面、低矮植被、树木、建筑物、运动场。每组数据中，前后时相的两张图片各自对应一张标注图，表示发生变化的区域以及该图片变化区域内各时期的土地性质。
19、RssrAI2019-遥感图像稀疏表征与智能分析竞赛
# 可下载
官网链接：http://rscup.bjxintong.com.cn（已关闭）
参考链接1：https://www.sohu.com/a/322434729_772793【比赛报名新闻】
参考链接2：https://www.cnblogs.com/2008nmj/p/13607773.html【比赛介绍博客】
下载链接：https://pan.baidu.com/s/1GZa_CxzWOcPOS54PM_FM2Q【rsai】
本项竞赛由国家自然科学基金委信息科学部主办的《遥感图像稀疏表征与智能分析竞赛》。有包含遥感影像地物分割和变化检测在内的多个竞赛主题，其中变化检测赛道：参赛者们以光学遥感图像为处理对象，使用主办方提供的遥感图像进行建筑物变化检测，主办方根据评分标准对变化检测结果进行综合评价。竞赛中将提供两个不同时间获取的大尺度高分辨率遥感图像（包含蓝、绿、红和近红外四个波段），以及图像中变化区域的二值化标注数据集。
PS：在几位参赛者的GitHub或博客里，均提到官方提供的数据标注质量较差（错/漏标）问题。
PPS：我下载回来的数据，把tif图像文件直接打开是空白的？但查看大小应该没出问题，看了下别人代码貌似是需要读取处理可视化后才能看到内容。
20、天池-TianChi【飞粤云端2017】广东政务数据创新大赛
# 可下载
官网链接：https://tianchi.aliyun.com/competition/entrance/231615/introduction
下载链接：https://pan.baidu.com/s/12G5VWj8Hd6RFcjKT-9eMRg【rsai】
冠军队伍项目：https://tianchi.aliyun.com/forum/postDetail?spm=5176.12586969.1002.9.37d5218eQKmWIY&postId=3483
在国土监察业务中，很重要的一项工作是监管地上建筑物的建、拆、改、扩。如果地块未经审批而存在建筑物，那么需要实地派人去调查是否出现了非法占地行为。如果地块卖给了开发商但是没有实际建设，那么需要调查是否捂地或者是开发商资金链出现问题。如果居民住房/商业用地异常扩大，那么需要调查是否存在违章建筑。对于大城市及其郊区来说，不可能靠国土局公务员来每天全城巡查，而可以靠高分辨率图像和智能算法来自动完成这项任务。具体来说，需要靠高分系列卫星图像（米级分辨率），和深度学习算法来革新现有的工作流程。
PS：和国内的遥感影像城市变化检测超强相关
PPS：但这比赛的数据可以说需要在提供的数据基础上进行相当一部分人工标注工作，不能直接拿来训练网络
PPPS：并且2015年和2017年的数据在清晰度等方面是存在差异的，需解决
本次大赛覆盖广东省部分地区数百平方公里的土地，其数据共3个大文件，存储在OSS上，供所有参赛选手下载挖掘。卫星数据以Tiff图像文件格式储存。quickbird2015.tif是一张2015年的卫星图片，quickbird2017.tif是一张2017年的卫星图片。每个Tiff文件中有4个波段的数据：蓝、绿、红、近红外。本次比赛的卫星数据为多景数据拼接而成，这是国土资源工作中常见的实际场景。比赛数据在蓝、绿两个波段有明显的拼接痕迹，而红、近红外波段的拼接痕迹不明显。建议选手挑选波段使用数据，或者在算法中设计应对方案。每个像元以16-bit存储。
目录
1、The River Data Set（高光谱河流变化检测数据）
2、Hyperspectral Change Detection Dataset（高光谱图像）
3、Wuhan multi-temperature scene (MtS-WH) Dataset（武汉多时相场景变化检测数据集）
4、Season-varying Change Detection Dataset
5、Onera Satellite Change Detection (OSCD)
6、Change Detection Benchmark in Aerial Imagery (AICD Dataset)
8、SZTAKI AirChange Benchmark set
18、商汤SenseEarth2020-人工智能遥感解译大赛
20、天池-TianChi【飞粤云端2017】广东政务数据创新大赛
21、中山大学-香港建筑变化检测数据集
（20211019更新）
# 可下载
# 除了直接进入官方Github还有别人采集总结好的地址
下载链接：飞桨AI Studio - 人工智能学习与实训社区
论文链接：https://ieeexplore.ieee.org/document/9467555
我们最近在IEEE Transactions on Geoscience and Remote Sensing 上发表的“基于深度监督的注意力度量的网络和用于遥感变化检测的开放航空图像数据集”变化检测数据集。
描述
- 该数据集包含 20000 对 2007 年至 2014 年在香港拍摄的 0.5 米航拍图像，尺寸为 256×256。
- 数据集中的主要变化类型包括： (a) 新建城市建筑；(b) 郊区扩张；(c) 施工前的基础工作；(d) 植被的变化；(e) 道路扩建；(f) 海上建设。
目录
1、The River Data Set（高光谱河流变化检测数据）
2、Hyperspectral Change Detection Dataset（高光谱图像）
3、Wuhan multi-temperature scene (MtS-WH) Dataset（武汉多时相场景变化检测数据集）
4、Season-varying Change Detection Dataset
5、Onera Satellite Change Detection (OSCD)
6、Change Detection Benchmark in Aerial Imagery (AICD Dataset)
8、SZTAKI AirChange Benchmark set