一、背景介绍
合成孔径雷达(Synthetic Aperture Radar, SAR) 是一种主动式的微波成像系统,它不受光照、云雾 和气候等自然条件影响,具备全天时、全天候对地 观测的能力,已成为遥感领域重要的信息获取平 台。近年来,随着遥感成像技术的蓬勃发展和 SAR卫星在轨数量的不断增加,SAR系统获取数据 的数量和质量得到显著提升,促进了SAR在相关领 域的发展和应用。海量的高分辨率数据为SAR图 像精细化理解提供了丰富的数据基础与支撑。 目标检测和识别是SAR图像智能化解译的重要 一环。飞机作为SAR图像中的典型目标,数量较多、 种类丰富,具有较大的观测价值。 基于SAR图像 的飞机检测识别能获取飞机目标的型号、种类、位 置、状态等信息,可有效辅助重点区域动态监视、 态势分析、紧急救援等应用。因此,利用高分辨率 SAR图像对飞机目标进行检测别具有重要的研究 意义。 近年来,随着深度学习理论和技术的发展,基于卷积神经网络的方法在SAR图像目标检测识别领域取得了较大进展。在SAR飞机检测识别方面,Zhao等人提出一种多分支空洞卷积特征金字塔方法,通过建立密集连接来减少冗余信息并突出飞机的重要特征。文献设计了一个注意力模块来融合细化低层纹理特征和高层语义特征,进一步提高飞机检测率。 在SAR舰船检测识别任务中,文献通过直接学习回归框的位置,来减少对预定义框超参数的依赖,并且进一步实现舰船目标的细粒度识别。海上舰船容易与海面形成强反射的二面角,在SAR图像中通常呈现为轮廓完整、连通性强的强散射点集合。相比海上舰船,陆地飞机目标尺寸较小,特征不容易提取,散射点之间较为离散,准确定位和识别的难度较大。针对背景中存在强散射干扰的问题,本文提出 了结合散射感知的SAR图像飞机目标检测识别一体 化的方法。总体框架如图所示,提出的方法基于 无锚框(anchor-free)算法的结构,主要由上下文引 导的特征金字塔网络(ContextGuided Feature Pyramid Network, CG-FPN)和散射感知检测头 (ScatteringAware detection Head, SA-Head)两个部分组成。
二、数据集基本情况
高分辨率SAR飞机检测识别数据集中所有图像采集自高分三号卫星,极化方式为单极化,空间分辨率为1m,成像模式为聚束式。数据集主要选用上海虹桥机场、北京首都机场和台湾桃园机场3个民用机场的影像数据,包含800×800、1000×1000、1200×1200和1500×1500共4种不同尺寸,共有4368张图片和16463个飞机目标实例。飞机的7个类别为:A220、A320/321、A330、ARJ21、Boeing737、 Boeing787和other,各个类别的实例以及数量如图1和图2所示,其中other表示不属于其余6个类别的飞机实例。
图1 不同类别SAR飞机和光学飞机样本示例图▼
图2 数据集各个类别的实例数量图▼
在实例的标注方面,高分辨率SAR飞机检测识别数据集中所有实例目标均使用水平矩形框进行标注,与Pascal VOC格式保持一致。
图3 数据集标注示意图▼
三、数据集的特点
高分辨率SAR飞机检测识别数据集有以下特点:
(1) 场景复杂:数据集包含多个民用机场不同时相的图像,这些图像覆盖面积大,背景中包含了航站楼、车辆、建筑物等设施,增加了数据集场景的复杂性。
(2) 类别丰富:不同于一般的SAR飞机数据集,SAR-AIRcraft-1.0数据集包含了飞机目标的细粒度类别信息。此外,不同类别之间相似的散射表征增加了飞机识别的难度。
(3) 目标密集:一张切片图像中包含多个飞机目标,多个飞机目标停靠在航站楼附近,分布较为密集,目标之间存在互相干扰,影响检测识别的准确率。
(4) 噪声干扰:由于SAR的成像特性,图像中存在着一些相干斑噪声的干扰,给飞机目标准确检测和识别带来一定的挑战。
(5) 任务多样:该数据集不仅支持检测任务,同时包含了类别信息,通过对数据集中飞机目标进行裁剪,得到多类别的目标切片,进而可以实现飞机的细粒度识别。此外,位置和类别信息的存在,使其可以应用在检测识别一体化任务中。
(6) 多尺度性:该数据集中飞机目标切片的尺寸分布跨度广。如图4所示,有一部分目标尺寸在50×50以下,也有一部分飞机目标尺寸在100×100以上,整体呈现出目标多尺度的特点。
图4 数据集飞机目标的尺寸分布图▼
四、数据集下载
https://afdian.net/item/465f6b184f9211eeb6a252540025c377