mscoco数据集_用于深度学习SAR图像舰船目标检测的数据集SSDD和SSDD+

随着计算能力的提升、可获取数据量的增加以及先进的算法的出现，人工智能技术迎来了它的又一次复兴。这次复兴主要以CNN在计算机视觉和RNN在自然语言处理领域的突破为特征。

目睹着CNN在计算机视觉各项任务(识别、检测、分割和超分辨等)取得的优良性能，包括作者在内的研究人员希望将这些算法用于SAR图像智能解译领域。此项研究的前提是要有用于训练和测试算法的数据集，这是目前所缺的，本文重点进行了介绍。

在以上计算机视觉任务中检测是最重要的，它起到承上启下的作用，是各项应用(人脸检测和识别、智能安防、智能医疗诊断和自动驾驶等)的关键技术，是最为活跃的研究领域。

作者近年来也重点对基于深度学习的SAR图像舰船目标检测技术进行了研究，本文重点介绍了用于训练和测试检测算法的数据集SSDD和SSDD+的构造过程及目标尺寸和长宽比分布情况，并对未来需要重点研究的内容进行了简单地总结。

SSDD

要想利用深度学习目标检测算法进行SAR图像舰船目标检测，必须有相应的数据集，但是目前本领域尚不存在此类数据集，因此建立了数据集SSDD[1]。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，它可以用于训练和测试检测算法，使研究人员在同一个条件下对比算法性能。

它得到了三十几所高校和研究所的使用，需要数据的可以联系作者。对于每个舰船，检测算法预测舰船目标的边框，并给出是舰船目标的置信度。SSDD是借鉴PASCAL VOC数据集的制作过程来制作的，这是因为PASCAL VOC在目标检测领域应用较多，数据格式较规范，可以直接使用现有的算法在SSDD数据集上处理，对代码改动较小。

在数据集制作的过程中总结到，舰船检测数据集相比于识别数据集更容易制作，这是因为检测任务具有变换变性(识别任务具有变换不变性)，即如果把同一个图像中的舰船目标进行移动或者尺度变化，就相当于新生成了一个训练样本。

同时检测数据集中只要有舰船即可，对舰船类别暂时没有要求。而识别的数据集需要收集各类舰船目标的大量的样本，难度较大。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。表1是SSDD数据集中平均每幅图像舰船个数的统计信息。NoS是Number of Ships的缩写，NoI是Number of Images的缩写。