深度学习模型的训练依赖大量的数据。针对SAR图像船舶检测中的数据问题,中国科学院空天信息研究院王超研究员带领的团队(王原原博士),构建了多源、多模式的SAR船舶切片数据集,并基于此数据集评估分析了不同对象检测模型的算法。在该数据集上训练的模型,可实现自动快速海上船舶检测,特别地,针对我国高分3号可以在无需海陆分割、无需区分成像模式自动实现船舶的快速检测。该数据集已发布于
CAESAR-Radi/SAR-Ship-Datasetgithub.com原始SAR图像介绍
共采用102景高分三号和108景Sentinel-1 SAR图像构建高分辨率SAR船舶目标样本深度学习库。目前该深度学习样本库中包含43819船舶切片。高分三号的成像模式是Strip-Map (UFS)、Fine Strip-Map 1 (FSI)、Full Polarization 1 (QPSI)、Full Polarization 2(QPSII)和Fine Strip-Map 2 (FSII)。这5种成像模型的分辨率分别是3m、5m、8m、25m和10m。Sentinel-1的成像模式是条带模式(S3和S6)和宽幅成像模式。SAR图像的覆盖范围如图1所示。其中,图1(a)表示高分三号的覆盖范围;图1(b)表示Sentinel S3条带模式的覆盖范围;图1(c)表示Sentinel S6条带模式的覆盖范围。特别地,高分三号数据覆盖的范围主要是我国的港口和亚洲的若干港口;Sentinel-1 S3覆盖的范围是巴西圣保罗港口附近;Sentinel-1 S6覆盖的范围是美国休斯顿港口。考虑到Sentinel-1图像的重访周期是12天,我们分别展示一景条带S3和条带S6的覆盖范围。这些SAR图像的信息包括成像模式、分辨率、带宽、入射角、极化方式和图像数量。用于构建样本库的SAR图像是多源、多模式的。