合成孔径雷达目标探测和识别数据集组织
姓名:石鑫 学号:22021110238 学院:电子工程学院
【嵌牛导读】SAR目标检测识别数据集整理
【嵌牛鼻子】 SAR目标检测识别数据集整理
【嵌牛提问】SAR目标检测识别数据集整理
【嵌牛正文】
1、MSTAR (1996)
论文:
MSTAR extended operating conditions: a tutorial
Standard SAR ATR evaluation experiments using the MSTAR public release data set
运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)数据集,是美国国防高级研究计划署(Defense Advanced Research Project Agency, DARPA) 和空军研究室(Air Force Research Laboratory, AFRL) 提供的SAR图像。
采集该数据集的传感器为高分辨率的聚束式合成孔径雷达,该雷达的分辨率为0.3m×0.3m。工作在X波段,所用的极化方式为HH极化方式。对采集到的数据进行前期处理,从中提取出像素大小为128×128包含各类目标的切片图像。该数据大多是静止车辆的SAR切片图像,包含多种车辆目标在各个方位角下获取到的目标图像。
MSTAR混合目标数据中包含十类军事目标的切片图像,这些军事目标分别为2S1(自行榴弹炮)、BRDM2(装甲侦察车)、BTR60(装甲运输车)、D7(推土机)、T62(坦克)、ZIL131(货运卡车)、ZSU234(自行高炮)、T72。这些目标是雷达工作在多种不同的俯仰角时,各个目标在方向上面的成像图片。光学图像和SAR图像如下图所示:
数据分为标准工作条件(SOC)和扩展工作条件(EOC),标准工作条件是测试与训练SAR图像目标外形配置和型号相同,仅成像时目标的俯仰角和方位角不同,扩展工作条件是指测试与训练SAR图像有很大不同,主要是成像角度的改变、外形配置的变化以及型号不同。
除了10类军事目标外,MSTAR数据集还提供了大幅场景SAR图像,包含森林、地面、建筑等杂波,可用于目标检测和识别。
2. OpenSARShip 1.0, 2.0 (2017)
参考文献:https://ieeexplore.ieee.org/document/8067489
OpenSARShip: A Dataset Dedicated to Sentinel-1 Ship Interpretation
https://ieeexplore.ieee.org/document/8124929
OpenSARShip 2.0: A large-volume dataset for deeper interpretation of ship targets in Sentinel-1 imagery
OpenSARShip是由上海交通大学高级传感技术中心(AST)开发的开放式SAR图像管理和处理平台,用于SAR图像的读取、处理、可视化和算法测试。
缺点:类别间样本数量极其不均衡,难以训练出较好的分类模型。
3. SSDD / SSDD+ (2020)
论文:基于卷积神经网络的SAR图像舰船目标检测
SHIP DETECTION IN SAR IMAGES BASED ON AN IMPROVED FASTER R-CNN
SSDD是国内外公开的第一个专门用于SAR图像舰船目标检测的数据集,可以用于训练和测试检验算法,得到了三十级所高校和研究所的使用。
SSDD是通过在网上下载公开的SAR图像,并将目标区域裁剪成大小为500×500左右像素,并通过人工标注舰船目标位置而得的。数据主要有RadarSat-2、TerraSAR-X和Sentinel-1传感器,HH、HV、VV和VH四种极化方式,分辨率为1m-15m,在大片海域和近岸地区都有舰船目标。
旋转边框在遥感目标检测中也得到了很多应用。旋转边框可以完全分开舰船与背景像素。通常,垂直边框中的很多像素不属于船的像素,这对于区分背景和舰船区域十分不利,尤其是密集排列的交叠非常大的舰船目标,所以最好利用旋转边框来定位舰船目标。
旋转边框的宽度和高度可以显示船的真实形状而垂直边框的长宽比和尺寸与船的真实形状不一致,旋转边框可在完成检测任务的同时实现对目标的方位向估计(会存在180°模糊),不需要设计单独的舰船目标方向估计算法。
在垂直边框的基础上增加一个旋转角度来表达旋转边框,可以表示成(x, y, w, h, θ \thetaθ),θ \thetaθ是从y轴正向到舰船长中轴方向的角度。为了用旋转边框对舰船目标进行检测,对SSDD的标签进行了改进,对其在类别和位置基础上增加了旋转角度信息,将这个数据集称为SSDD+。
4. AIR-SARShip1.0 2.0 (2019)
参考论文:http://radars.ie.ac.cn/article/doi/10.12000/JR19097
AIR-SARShip-1.0: High-resolution SAR Ship Detection Dataset
高分辨率SAR舰船检测数据集-2.0(AIR-SARShip-2.0)发布300幅图像,图像分辨率包括1m和3m,成像模式包括聚束式和条带式,极化方式为单极化,极化方式为VV,场景类型包含港口、岛礁、不同等级海况的海面,目标覆盖运输船、油船、渔船等十余类数千艘舰船。
图像尺寸约为1000×1000像素,图像格式为Tiff、单通道、8/16位图像深度,标注文件提供相应图像的长宽尺寸、标注目标的类别以及标注矩形框的位置。
5. SAR-Ship-Dataset (2019)
参考文献:https://www.researchgate.net/publication/332078787
A SAR Dataset of Ship Detection for Deep Learning under Complex Backgrounds
本数据集包括SAR船舶检测切片近40000张,采用了国产高分3号卫星和欧空局Sentinel-1卫星数据。图像分辨率覆盖1.7米到25米,极化方式包括HH、HV、VH和VV,成像模式包括超精细条带模式、精细条带模式、全极化条带模式、条带扫描模式和干涉宽幅模式,详细参数见表1。该数据集场景包括港口、近岸、岛屿和远海,类型包括油轮、散货船、大型集装箱船和渔船等各类常见船舶目标,图1是该数据集中的部分切片展示。
6. HRSID (2020)
参考文献:https://ieeexplore.ieee.org/document/9127939/
HRSID: A High-Resolution SAR Images Dataset for Ship Detection and Instance Segmentation
数据集是电子科技大学在2020年1月发布数据集,HRSID是高分辨率SAR图像中用于船舶检测、语义分割和实例分割任务的数据集。该数据集共包含5604张高分辨率SAR图像和16951个ship实例。HRSID数据集借鉴了Microsoft Common Objects in Context (COCO)数据集的构建过程,包括不同分辨率的SAR图像、极化、海况、海域和沿海港口。该数据集是研究人员评估其方法的基准。对于HRSID, SAR图像的分辨率分别为:0.5m, 1 m, 3 m。
7 MiniSAR
8、其他数据集
推荐阅读
-
正负偏差变量 即 d2+、d2- 分别表示决策值中超出和未达到目标值的部分。而 di+、di- 均大于 0 刚性约束和目标约束(柔性目标约束有偏差) 在多目标规划中,>=/<= 在刚性约束中保持不变。当需要将约束条件转换为柔性约束条件时,需要将 >=/<= 更改为 =(因为已经有 d2+、d2- 用来表示正负偏差),并附加上 (+dii-di+) 注意这里是 +di、-di+!之所以是 +di,-di+,是因为需要将目标还原为最接近的原始刚性约束条件 优先级因素和权重因素 对多个目标进行优先排序和优先排序 目标规划的目标函数 是所有偏差变量的加权和。值得注意的是,这个加权和都取最小值。而 di+ 和 dii- 并不一定要出现在每个不同的需求层次中。具体分析需要具体问题具体分析 下面是一个例子: 题目中说设备 B 既要求充分利用,又要求尽可能不加班,那么列出的时间计量表达式即为:min z = P3 (d3- + d3 +) 使用 + 而不是 -d3 + 的原因是:正负偏差不可能同时存在,必须有 di+di=0 (因为判定值不可能同时大于目标值和小于目标值),而前面是 min,所以只要取 + 并让 di+ 和 dii- 都为正值即可。因此,得出以下规则: 最后,给出示例和相应的解法: 问题:某企业生产 A 和 B 两种产品,需要使用 A、B、C 三种设备。下表显示了与工时和设备使用限制有关的产品利润率。问该企业应如何组织生产以实现下列目标? (1) 力争利润目标不低于 1 500 美元; (2) 考虑到市场需求,A、B 两种产品的生产比例应尽量保持在 1:2; (3)设备 A 是贵重设备,严禁超时使用; (4)设备 C 可以适当加班,但要控制;设备 B 要求充分利用,但尽量不加班。 从重要性来看,设备 B 的重要性是设备 C 的三倍。 建立相应的目标规划模型并求解。 解:设企业生产 A、B 两种产品的件数分别为 x1、x2,并建立相应的目标计划模型: 以下为顺序求解法,利用 LINGO 求解: 1 级目标: 模型。 设置。 variable/1..2/:x;! s_con_num/1...4/:g,dplus,dminus;!所需软约束数量(g=dplus=dminus 数量)及相关参数; s_con(s_con_num);! s_con(s_con_num,variable):c;!软约束系数; 结束集 数据。 g=1500 0 16 15. c=200 300 2 -1 4 0 0 5; 结束数据 min=dminus(1);!第一个目标函数;!对应于 min=z 的第一小部分;! 2*x(1)+2*x(2)<12;!硬约束 @for(s_con_num(i):@sum(variable(j):c(i,j)*x(j))+dminus(i)-dplus(i)=g(i)); !使用设置完成的数据构建软约束表达式; ! !软约束表达式 @for(variable:@gin(x)); !将变量约束为整数; ! 结束 此时,第一级目标的最优值为 0,第一级偏差为 0: 第二级目标: !求 dminus(1)=0,然后求解第二级目标。 模型。 设置。 变量/1..2/:x;!设置:变量/1..2/:x; ! s_con_num/1...4/:g,dplus,dminus;!软约束数量及相关参数; s_con(s_con_num(s_con_num));! s_con(s_con_num,variable):c;! 软约束系数; s_con(s_con_num,variable):c;! 结束集 数据。 g=1500 0 16 15; c=200 300 2 -1 4 0 0 5; 结束数据 min=dminus(2)+dplus(2);!第二个目标函数 2*x(1)+2*x(2)<12;!硬约束 @for(s_con_num(i):@sum(variable(j):c(i,j)*x(j))+dminus(i)-dplus(i)=g(i)); ! 软约束表达式;! dminus(1)=0; !第一个目标结果 @for(variable:@gin(x)); ! 结束 此时,第二个目标的最优值为 0,偏差为 0: 第三目标 !求 dminus(2)=0,然后求解第三个目标。 模型。 设置。 变量/1..2/:x;!设置:变量/1..2/:x; ! s_con_num/1...4/:g,dplus,dminus;!软约束数量及相关参数; s_con(s_con_num(s_con_num));! s_con(s_con_num,variable):c;! 软约束系数; s_con(s_con_num,variable):c;! 结束集 数据。 g=1500 0 16 15; c=200 300 2 -1 4 0 0 5; 结束数据 min=3*dminus(3)+3*dplus(3)+dminus(4);!第三个目标函数。 2*x(1)+2*x(2)<12;!硬约束 @for(s_con_num(i):@sum(variable(j):c(i,j)*x(j))+dminus(i)-dplus(i)=g(i)); ! 软约束表达式;! dminus(1)=0; !第一个目标约束条件; ! dminus(2)+dplus(2)=0; !第二个目标约束条件 @for(variable:@gin(x));! 结束 最终结果为 x1=2,x2=4,dplus(1)=100,最优利润为
-
合成孔径雷达目标探测和识别数据集组织