共享 | SAR图像船舶切片数据集
点击中国图象图形学报→主页右上角菜单栏→设为星标
合成孔径雷达（Synthetic Aperture Radar, SAR）是一种主动式微波遥感技术，它最大的优势在于可提供全天时、全天候的高分辨率图像，非常适合海上船舶检测与分类的应用。
随着深度学习的兴起，相关方法也被引入SAR图像应用领域。许多学者对SAR船舶检测的深度学习方法感兴趣，但是苦于没有用于神经网络训练的标注样本集。目前应用深度学习进行船舶探测和分类还存在以下问题：基于SAR图像的复杂背景下舰船探测方法很缺乏；缺少大量数据来证明多模式探测模型的有效性；基于SAR图像特征的卷积神经网络分类需要进一步的发展。
针对这些问题，中科院空天信息研究院的王超、张红研究员团队构建了用于SAR图像自动检测的船舶切片数据集，并对船舶检测和分类进行了新的尝试。
该数据集以我国国产高分三号SAR数据和Sentinel-1 SAR数据为主数据源，共采用了102景高分三号和108景Sentinel-1 SAR图像构建高分辨率SAR船舶目标深度学习样本库。
该数据集中的船舶切片种类丰富，背景多样，适合多种SAR图像应用。目前，该深度学习样本库包含43819船舶切片，所有切片均是在SAR专家目视解译的基础上标记的。
数据集构建过程
目前该数据集已在GitHub上公开发布、免费共享。使用请引用：
Yuanyuan Wang, Chao Wang, Hong Zhang, Yingbo Dong, and Sisi Wei，A SAR Dataset of Ship Detection for Deep Learning under Complex Backgrounds，Remote Sens. 2019, 11(7), 765; doi:10.3390/rs11070765
数据集入口
https://github.com/CAESAR-Radi/SAR-Ship-Dataset?tdsourcetag=s_pcqq_aiomsg
图片来自网络
数据集GitHub网页截图
相关成果
基于RetinaNet和高分3号卫星图像的自动船舶探测方法
由于多分辨率成像模式及船舶吨位的变化，船舶的形状在SAR图像中是多尺度的。传统的船舶检测方法高度依赖于海杂波的统计模型或提取的特征，需要加强其鲁棒性。作为一种自动学习表示，文章使用RetinaNet深度学习检测器来克服这一障碍。
基于深度学习的小数据集高分辨率SAR图像船舶分类
文章在考虑SAR图像中的船舶特征的基础上，开展船舶分类。考虑到卷积神经网络提取特征逐层抽象，基于经典卷积神经网络中的VGG构建船舶分类模型；针对训练模型的小样本问题，使用参数微调的方式学习模型的参数；在相同的训练数据条件下，和其他卷积神经网络的分类性能进行了对比。
参考文献：
Yuanyuan Wang ，Chao Wang ,Hong Zhang ,Yingbo Dong and Sisi Wei，Automatic Ship Detection Based on RetinaNet Using Multi-Resolution Gaofen-3 Imagery[J]. Remote Sensing, 2019, 11(5): 531.
Yuanyuan Wang ，Chao Wang ,Hong Zhang , Ship Classification in High-Resolution SAR Images using Deep Learning of Small Datasets, Sensors 2018, 18(9), 2929;https://doi.org/10.3390/s18092929
Yuanyuan Wang，Chao Wang，Hong Zhang，Combining a single shot multibox detector with transfer learning for ship detection using sentinel-1 SAR images，Remote Sensing Letters 9(8):780-788 DOI: 10.1080/2150704X.2018.1475770
Yuanyuan Wang ，Chao Wang ,Hong Zhang ,Yingbo Dong and Sisi Wei，A SAR Dataset of Ship Detection for Deep Learning under Complex Backgrounds， Remote Sensing, 2019, 11(7), 765; https://doi.org/10.3390/rs11070765
学者介绍
王超，男，博士，中国科学院空天信息研究院研究员、博士生导师，中国科学院大学岗位教授。长期从事微波遥感领域研究与教学工作，在合成孔径雷达（SAR）图象处理与应用方面取得多项成果。主持国家自然科学基金委重点项目“高分辨率SAR散射机理与应用关键科学问题研究”、＂大时空尺度SAR遥感地物信息智能处理机理与方法研究＂。目前兴趣方向：SAR大数据智能处理与高性能计算。
本文系《中国图象图形学报》独家稿件，
欢迎读者转发朋友圈
文章部分配图来自网络，仅供学习交流，
版权属于原作者
编辑：狄狄
指导/审核：梧桐君
声明
前沿丨观点丨资讯丨独家
扫描下方二维码 关注学报公众号
中国图象图形学报 | 订阅号
相关内容
微信扫码咨询专知VIP会员