Update README.md

README.md

@@ -3,7 +3,7 @@ license: cc-by-nc-4.0
 ---
 
 ## Domains
-| 序号 | 应用领域 Domain      | 领域定位                         | 典型检测目标                                                                                                                    | 典型应用                                                                                                                      | 核心输出 / 特点                                                   |
+| 序号 | 无人机 Domain      | 领域定位                         | 典型检测目标                                                                                                                    | 典型应用                                                                                                                      | 核心输出 / 特点                                                   |
 | -- | ---------------- | ---------------------------- | ------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------- |
 | 1  | **农林牧业与生态监测**    | 检测自然环境中的生物目标及农业生产对象          | 农作物、果实、花朵、植株<br>缺苗、倒伏作物、杂草<br>牛、羊等牲畜<br>野生动物、鸟类<br>病树、枯死树、倒伏树木<br>农业机械、作业人员                                               | 作物株数和果实数量统计<br>缺苗、杂草和倒伏区域发现<br>牲畜自动盘点和走失牲畜搜索<br>野生动物检测、跟踪和数量调查<br>森林病树、枯死树和风倒木识别<br>农林区域非法人员或车辆检测                         | 目标类别<br>目标数量<br>目标位置<br>目标密度<br>变化趋势                        |
 | 2  | **能源、工业与基础设施巡检** | 将电力、油气、工厂、桥梁、道路等统一归入资产和设施巡检  | 输电杆塔、导线、绝缘子、金具<br>鸟巢、异物、悬挂物<br>光伏组件、热斑组件<br>风机叶片、裂纹及表面损伤<br>管道、阀门、储罐、烟囱<br>桥梁构件、道路设施、铁路设备<br>裂缝、锈蚀、破损、脱落<br>设备热点、泄漏点和异常部件 | 电力线路异物和缺陷检测<br>绝缘子、连接件和杆塔部件检测<br>光伏板热斑及故障组件定位<br>风机叶片损伤检测<br>油气管线和工业设备异常检测<br>桥梁、道路、铁路设施缺陷识别<br>设备缺失、错位或损坏检测              | **部件检测：**定位设备及零部件<br>**缺陷检测：**识别裂纹、腐蚀、破损、过热等异常              |
@@ -13,6 +13,17 @@ license: cc-by-nc-4.0
 | 6  | **海洋、水域与环境执法**   | 将海岸、河流、湖泊、港口及海上监管统一归入水域监测    | 船舶、渔船和小型快艇<br>漂浮人员和救生设备<br>海洋动物<br>漂浮垃圾<br>水面油污和异常漂浮物<br>非法采砂船<br>非法捕捞船只<br>河道及岸边非法排放设施                                   | 船舶检测、分类和数量统计<br>非法捕捞及越界船只检测<br>水上搜救和落水人员检测<br>海洋动物检测和数量调查<br>河流、湖泊漂浮垃圾检测<br>水面异常目标和污染物发现<br>港口和海岸线安防巡逻<br>非法采砂、非法排放行为发现   | 重点解决水面反光、波浪干扰和远距离小目标问题<br>可结合长焦、红外和视频跟踪提升检测效果               |
 
 
+| 序号 | 卫星 Domain    | 典型检测目标                                                                                                                                                                                                                                               | 多光谱数据与公开数据集依据                                                                                                                                                                                                                                                                                         | 典型任务与输出                                                                                     |
+| -- | ---------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------- |
+| 1  | **海事、航空与交通目标监测** | **海事目标：**船舶、渔船、大型货船、海上平台及港口目标<br><br>**航空目标：**飞机、直升机及机场地面航空器<br><br>**飞机细粒度类型：**Boeing 737、747、777、787，Airbus A220、A321、A330、A350，ARJ21、C919及其他飞机类型<br><br>**飞机属性：**机身长度、翼展、机翼形状、机翼位置、动力类型、发动机数量、垂尾数量及飞机用途<br><br>**交通设施：**机场、跑道、停机坪、港口、船厂、道路桥梁和铁路桥梁 | **S2-SHIPS**使用Sentinel-2多光谱影像开展船舶检测，说明船舶是原生多光谱目标检测中相对成熟的方向。([MDPI][1])<br><br>**fMoW-full**提供4波段和8波段可见光—近红外影像，可支持机场、港口、船厂和交通设施等目标级识别。([GitHub][2])<br><br>**FAIR1M**提供旋转框细粒度遥感目标检测，明确要求模型不仅检测“飞机”，还要识别Airbus A350、Boeing 747等具体类型。([ar5iv][3])<br><br>**RarePlanes**提供飞机检测以及10类细粒度结构属性标注。([arXiv][4]) | 船舶和飞机定位、分类、计数<br>飞机具体型号识别<br>飞机结构属性与用途分类<br>飞机停放位置及朝向检测<br>船舶尺寸、方向和航行状态估计<br>机场、港口及交通枢纽活动监测 |
+| 2  | **城市建筑与公共基础设施**  | 建筑物、住宅区和大型厂房<br>施工场地及临时建筑<br>机场和公共服务设施<br>道路、桥梁、水坝和交通节点<br>受损、倒塌或被洪水影响的建筑物                                                                                                                                                                           | **fMoW-full**的多光谱数据覆盖住宅、施工场地、医院、学校、公共机构、桥梁和水坝等设施类别。([GitHub][2])<br><br>**SatlasPretrain**融合Sentinel-2与高分辨率航片，提供建筑、机场、道路等多种点、线和多边形标注。([CVF Open Access][5])                                                                                                                                           | 建筑物和基础设施定位<br>设施数量及空间分布统计<br>新增建筑和施工活动发现<br>公共设施识别<br>灾前灾后建筑目标对比                            |
+| 3  | **能源、工业与资源设施**   | 光伏电站和光伏阵列<br>风力发电机及风电场<br>储油罐、储罐区和炼化设施<br>发电厂、变电站及工业园区<br>海上油气平台<br>矿区、采石场和资源开发设施<br>水处理和垃圾处理设施                                                                                                                                                      | **fMoW-full**包含光伏电站、风电场、发电厂、变电站、油气设施、储罐、露天矿和水处理设施等多光谱目标类别。([GitHub][2])<br><br>**SatlasPretrain**包含风机点目标、光伏场区域目标、建筑和其他基础设施标注，并使用Sentinel-2等卫星数据。([CVF Open Access][5])                                                                                                                                | 能源资产检测和计数<br>工业设施定位与分类<br>风机、光伏场和海上平台普查<br>储罐及大型设备统计<br>资源开发活动和设施变化监测                       |
+
+[1]: https://www.mdpi.com/2072-4292/13/21/4255?utm_source=chatgpt.com "Ship Detection in Sentinel 2 Multi-Spectral Images with Self ..."
+[2]: https://github.com/fMoW/dataset?utm_source=chatgpt.com "fMoW/dataset"
+[3]: https://ar5iv.org/pdf/2103.05569 "[2103.05569] FAIR1M: A Benchmark Dataset for Fine-grained Object Recognition in High-Resolution Remote Sensing Imagery"
+[4]: https://arxiv.org/abs/2006.02963 "[2006.02963] RarePlanes: Synthetic Data Takes Flight"
+[5]: https://openaccess.thecvf.com/content/ICCV2023/papers/Bastani_SatlasPretrain_A_Large-Scale_Dataset_for_Remote_Sensing_Image_Understanding_ICCV_2023_paper.pdf?utm_source=chatgpt.com "SatlasPretrain: A Large-Scale Dataset for Remote Sensing ..."