网上已经有很多介绍了。
MSTAR数据库作为SAR图像自动目标识别(SAR ATR)研究的一个通用库,被很多学者广泛采用。该实验数据采用美国国防高等研究计划署(DARPA)支持的MSTAR计划所公布的实测SAR地面静止目标数据,无论是在国内还是国际上,针对SAR图像目标识别的研究基本上是基于该数据集而展开的。采集该数据集的传感器为高分辨率的聚束式合成孔径雷达,该雷达的分辨率为0.3m×0.3m。工作在X波段,所用的极化方式为HH极化方式。对采集到的数据进行前期处理,从中提取出像素大小为128×128包含各类目标的切片图像。该数据大多是静止车辆的SAR切片图像,包含多种车辆目标在各个方位角下获取到的目标图像。
来源:MSTAR雷达数据集总结_晨凫追风的博客-CSDN博客_mstar数据集
OpenSARShip: A Dataset Dedicated to Sentinel-1 Ship Interpretation | IEEE Journals & Magazine | IEEE Xplore
下载地址:http://opensar.sjtu.edu.cn/
OpenSAR是由上海交通大学高级传感技术中心(AST)开发的开放式SAR图像管理和处理平台,用于SAR图像的读取,处理,可视化和算法测试。SAR图像管理和算法测试是OpenSAR的主要任务。
OpenSAR支持导入各种SAR数据源,例如TerraSAR-X,RADARSAT 1/2,COSMO-SkyMed等。用户可以通过该平台搜索和查看SAR图像数据。OpenSAR支持注册各种算法,例如图像去噪,场景分类,目标检测,目标识别,变化检测等。用户可以通过该平台搜索,配置和执行这些算法,并且完整的测试报告也将提供给用户。
孙显, 王智睿, 孙元睿, 等. AIR-SARShip-1.0:高分辨率SAR舰船检测数据集[J]. 雷达学报, 待出版. doi: 10.12000/JR19097
下载地址:https://radars.ac.cn/web/data/getData?newsColumnId=abd5c1b2-fe65-47f7-8ebf-990273a91a48
高分辨率SAR舰船检测数据集-1.0(AIR-SARShip-1.0)首批发布31幅图像,图像分辨率包括1m和3m,成像模式包括聚束式和条带式,极化方式为单极化,场景类型包含港口、岛礁、不同等级海况的海面,目标覆盖运输船、油船、渔船等十余类近千艘舰船。
图像尺寸约为3000×3000像素,图像格式为Tiff、单通道、8/16位图像深度,标注文件提供相应图像的长宽尺寸、标注目标的类别以及标注矩形框的位置。
孙显, 王智睿, 孙元睿, 等. AIR-SARShip-1.0:高分辨率SAR舰船检测数据集[J]. 雷达学报,, 2019, 8(6): 852–862. doi: 10.12000/JR19097
下载地址:https://radars.ac.cn/web/data/getData?newsColumnId=1e6ecbcc-266d-432c-9c8a-0b9a922b5e85
高分辨率SAR舰船检测数据集-2.0(AIR-SARShip-2.0)发布300幅图像,图像分辨率包括1m和3m,成像模式包括聚束式和条带式,极化方式为单极化,极化方式为VV,场景类型包含港口、岛礁、不同等级海况的海面,目标覆盖运输船、油船、渔船等十余类数千艘舰船。
图像尺寸约为1000×1000像素,图像格式为Tiff、单通道、8/16位图像深度,标注文件提供相应图像的长宽尺寸、标注目标的类别以及标注矩形框的位置。
在数据集SSDD中,一共有1160个图像和2456个舰船,平均每个图像有2.12个舰船,数据集后续会继续扩充。相比于具有20类目标的PASCAL VOC数据集,SSDD虽然图片少,但是类别只有舰船这一种,因此它足以训练检测模型。
SSDD+的数据集相对于SSDD数据将垂直边框变成了旋转边框,旋转边框可在完成检测任务的同时实现了对目标的方向估计。
徐从安, 苏航, 李健伟, 等. RSDD-SAR:SAR舰船斜框检测数据集[J]. 雷达学报, 待出版. doi: 10.12000/JR22007.
RSDD-SAR:SAR舰船斜框检测数据集
【最新成果】RSDD-SAR:SAR舰船斜框检测数据集(视频)
何友院士,熊伟教授和刘瑜教授的指导下,海军航空大学徐从安副教授团队基于国产高分3号卫星数据和欧空局TerraSAR-X卫星数据构建了SAR舰船斜框检测数据集RSDD-SAR,该数据集由84景高分三号数据和41景TerraSAR-X数据切片及2景未剪裁大图,共127景数据构成,包含多种成像模式、多种极化方式、多种分辨率切片7000张,舰船实例10263个。此外,通过对几种常用的光学遥感图像斜框检测算法和SAR舰船斜框检测算法进行实验与分析,形成基准指标,供相关学者参考。
下载地址:https://github.com/chaozhong2010/HRSID
该数据集是电子科技大学的苏浩在2020年1月发布数据集,HRSID是高分辨率sar图像中用于船舶检测、语义分割和实例分割任务的数据集。该数据集共包含5604张高分辨率SAR图像和16951个ship实例。ISSID数据集借鉴了Microsoft Common Objects in Context (COCO)数据集的构建过程,包括不同分辨率的SAR图像、极化、海况、海域和沿海港口。该数据集是研究人员评估其方法的基准。对于HRSID, SAR图像的分辨率分别为:0.5m, 1 m, 3 m。
参考文献:A SAR Dataset of Ship Detection for Deep Learning under Complex Backgrounds
Wang Y, Wang C, Zhang H, et al. A SAR dataset of ship detection for deep learning under complex backgrounds[J]. Remote Sensing, 2019, 11(7): 765. doi: 10.3390/rs11070765
下载地址:https://radars.ac.cn/web/data/getData?dataType=SARGroundObjectsTypes
https://github.com/CAESAR-Radi/SAR-Ship-Dataset
本数据集包括SAR船舶检测切片近40000张,采用了国产高分3号卫星和欧空局Sentinel-1卫星数据。图像分辨率覆盖1.7米到25米,极化方式包括HH、HV、VH和VV,成像模式包括超精细条带模式、精细条带模式、全极化条带模式、条带扫描模式和干涉宽幅模式,详细参数见表1。该数据集场景包括港口、近岸、岛屿和远海,类型包括油轮、散货船、大型集装箱船和渔船等各类常见船舶目标。
切片尺寸为256×256像元,格式为三通道灰度图像,24位深JPG。标注文件为TXT格式,一行标注一个目标,分别记录船舶类型、归一化的船舶中心位置(列、行标号)、归一化的船舶宽度和归一化的船舶长度,符合Yolo系列、PolarMask、SSD和Faster-RCNN等主流检测网络的格式要求。
Xiyue HOU,Wei AO,Qian SONG,Jian LAI,Haipeng WANG,Feng XU.FUSAR-Ship:building a high-resolution SAR-AIS matchup dataset of Gaofen-3 for ship detection and recognition[J].Science China(Information Sciences),2020,63(04):40-58.
下载地址:https://radars.ac.cn/web/data/getData?dataType=FUSAR
FUSARShip 高分辨率船只数据集,包含15个主要船舶类别、98 个子类别和许多非船舶目标的海洋目标。数据切片取自126幅原始高分三号遥感图像,极化模式包含DH和DV,分辨率为1.124m×1.728m,成像模式为 UFS 模式,覆盖了各种海、陆、海岸、河流和岛屿场景。
本数据集累16144个切片,其中包括与 AIS 信息匹配的船只 6252 张,类似船的亮点等强虚警 2045 张,桥及海岸线 1461 张, 沿岸区域及岛屿 1010 张,复杂海波杂波1967张,普通海面1785张,陆地1624张,适用于复杂海面的船只检测与识别工作。
Jie Chen, Zhixiang Huang, Runfan Xia, Bocai Wu, Lei Sheng, Long Sun, and Baidong Yao. Large-scale multi-class SAR image target detection dataset-1.0[OL]. Journal of Radars, 2022.
下载地址:https://radars.ac.cn/web/data/getData?dataType=MSAR
大规模多类SAR目标检测数据集-1.0(MSAR-1.0)共包括28449张检测切片,采用海丝一号卫星和高分三号卫星数据。
MSAR-1.0数据集极化方式包括HH、HV、VH和VV。该数据集场景包括机场、港口、近岸、岛屿、远海、城区等;类型包括飞机、油罐、桥梁和船只四类目标,由1851架桥梁,39858条船只,12319个油罐和6368架飞机组成。
(前段时间《雷达学报》学术报告提到的,不太清楚开源了没)
学术报告 | SAR目标散射拓扑特性表征与识别应用(视频)
论文地址:SEFEPNet: Scale Expansion and Feature Enhancement Pyramid Network for SAR Aircraft Detection With Small Sample Dataset
下载地址:https://github.com/hust-rslab/SAR-aircraft-data