brats数据集图像分割_比SSDD更大的SAR图像船舶检测数据集

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-Dataset​github.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。

图 1 高分三号和Sentinel-1 IW（a）、Sentinel-1 S3条带（b）