合成孔径雷达（SAR）是一种主动式微波成像雷达，它具备全天时、全天候的观测能力，在各个领域具有广阔的应用前景。相比光学图像，SAR图像解译一直面临较大的挑战。现有日常作业中大多采用人工方式，费时费力，难以应对日益增长的数据处理需求。近年来，深度学习技术得到广泛应用，然而在SAR目标检测识别和图像分类等研究中，由于数据获取难、样本规模小，尚较难支撑深度网络模型的训练。舰船目标检测是SAR图像解译领域的研究热点之一。一般情况下，远海区域背景相对单一，目标检测任务难度略低；而近岸区域舰船数量较多，种类更为丰富，但由于港口处于海陆分割区域，受背景噪声干扰、地物类型多变等影响，对目标检测难度较大。为了促进SAR舰船检测方面的研究、提升国产化数据的使用率，由中国科学院空天信息创新研究院地理与赛博空间信息技术研究部组织实施，基于高分三号卫星数据，构建了一套面向宽幅场景的高分辨率SAR舰船目标检测数据集（AIR-SARShip-1.0）。该工作已发表在《雷达学报》2019年第6期“合成孔径雷达技术”专刊“AIR-SARShip-1.0：高分辨率SAR舰船检测数据集”（孙显，王智睿，孙元睿，刁文辉，张跃，付琨）。AIR-SARShip-1.0数据集中SAR图像示例如图1所示。
图1 AIR-SARShip-1.0数据集中SAR图像示例为了形成AIR-SARShip-1.0数据集的指标基准，论文做了如下算法的对比实验：（1）传统舰船检测算法：双参数恒虚警率（CFAR）算法、最佳熵自动门限法（KSW）、基于K分布的CFAR方法。相关实验性能见表1。
（2）深度网络目标检测算法：单阶段目标检测算法包括SSD、YOLOv1，双阶段目标检测算法包括Faster-RCNN、密集旋转数据增强的Faster-RCNN（Faster-RCNN-DR）、基于密集连接端到端网络的检测算法（DCENN）。相关实验性能见表2。
表2 深度网络舰船检测算法性能基准
为了更直观地展示算法在AIR-SARShip-1.0数据集的检测效果，以某一景大图为例，使用Faster-RCNN算法进行舰船目标检测，结果如图2所示。从图中可以看出，绝大多数舰船目标均正确检测出（如图2c所示），检测框与目标重合度较好（如图2c所示）、有一定差距且存在虚警（如图2a所示）、检测框重合度稍差（如图2b所示）、少数舰船漏检（如图2d所示）。
图2 基于Faster-RCNN的SAR舰船检测示意图
总体而言，该数据集重点考验对小目标的检测性能，具有一定的挑战性，现有算法的检测性能还有待进一步提升。
了解详细内容请点击下面阅读原文。