SAR圖像艦船目標檢測數據集構建研究綜述

黃瓊男，朱衛綱，李永剛

(航天工程大學 a.研究生院；b.電子與光學工程系，北京 101416)

0 引 言

合成孔徑雷達(Synthetic Aperture Radar，SAR)作為一種主動式微波成像傳感器，具有全天時工作、全天候成像、作用距離遠等特點，且能穿云破霧，在可見度極低的氣象條件下仍能獲得高分辨率二維圖像[1]。此外，SAR圖像能夠獲取不同頻段下目標的散射特性[2]，極大地提高了所獲取信息的豐富度，在國防、軍事、環境等方面具有重大的意義。目前，SAR圖像已經成為針對海上目標進行檢測的重要數據之一[3]。自深度學習問世以來，其在人臉識別、物體檢測、智能監控等領域掀起一股研究熱潮，同樣也在SAR圖像解譯領域大放異彩，如R-CNN系列[4-6]、YOLO系列[7-8]、SSD[9]等目標檢測算法的相繼提出，極大地提高了SAR圖像目標檢測技術智能化。影響深度學習目標檢測技術的因素主要包括算法和數據兩大方面，大多數學者專注于目標檢測算法的改進和開拓，僅有少部分學者致力于數據的研究。數據作為推動深度學習技術發展的“原油”，大多數深度學習模型的訓練需要依靠大量的數據。本文主要對幾種公開的SAR圖像數據集進行梳理與分析，其中包括數據集的構建方法、存在的不足等，以期促使更多高質量SAR艦船數據集的出現，提高星載SAR圖像實際工程應用能力。

1 SAR艦船數據集的構建方法

現階段，世界已經步入大數據時代，發展如火如荼的深度學習更是離不開“大數據”，構建特定任務的數據集是人工智能項目的第一步。缺少數據集，很多深度學習框架只是一副軀殼；雜亂無章的數據集只會使得算法紙上談兵、停滯不前，缺少有效的實驗進行驗證。數據集的構建[10]不是一堆數據的簡單集合，而是根據所研究的內容，依據具體的算法模型，經過合理的樣本構建策略，精準的樣本標注策略，以及對特定樣本的擴充等步驟，構建成一個具有規模性、多樣性、高效性、易擴展性的集合。

SAR艦船圖像數據集更不是各種SAR艦船數據的簡單收集，而是針對具體的影響因素進行特定數據的收集。影響SAR艦船目標檢測性能因素包括SAR系統平臺、場景環境以及艦船目標自身等因素。例如：SAR-Ship-Dataset數據集[11]針對復雜場景下艦船目標檢測率低的問題，構建了一個用于深度學習目標檢測任務的復雜場景SAR艦船數據集；LS-SSDD數據集[12]針對大場景小艦船目標構建了一個適用于小艦船目標檢測的SAR圖像數據集；等。上述兩種數據集分別從場景環境和目標屬性兩種角度對SAR艦船數據集進行構建。此外，不同的SAR系統平臺，其成像參數(分辨率、成像角度、極化方式等)各不相同，同一SAR系統的參數設置也有較大差異，對應的目標觀測能力也不盡相同。少數學者從SAR成像屬性的角度對SAR目標檢測技術進行研究，但相關公開數據集較少。AIR-SARShip數據集[13]構建了一個高分辨率SAR艦船數據集，但未對分辨率進一步細分類。

SAR艦船數據集的構建基本流程如圖1所示。

圖1 SAR艦船數據集構建基本流程圖

數據采集通常選取繁忙的港口、海峽等地區，在采集之前需要選取所需的成像模式。由于合成孔徑雷達斜視成像的特點，需要對其進行相應的預處理操作，例如，需要對Sentinel-1衛星單層單元(Single-level Cell,SLC)產品數據進行幾何校正和輻射定標等處理。幾何校正是為了消除原始SAR圖像中的幾何變形，實現對目標精確定位；輻射定標可以確定目標灰度值與后向散射系數之間的關系。此外，預處理階段還應包括有船-海對比度提升、圖像相干斑濾波等操作步驟。圖像裁剪階段，常見的有人工裁剪法、規則網格裁剪法和滑動窗口裁剪法。人工裁剪耗時耗力，規則網格裁剪易造成艦船目標被截斷，滑動窗口裁剪需要設置合理的窗口尺寸和重疊率——重疊率較小，艦船目標仍存在被裁斷的風險；重疊率過大，易造成大量的重復數據。HRSID數據集[14]構建過程中，采用帶有線性變換的裁剪函數來實現，通過對圖像設置不同的閾值，不僅實現了裁剪的功能，又提升了船-海對比度。LS-SSDD數據集保留了純背景切片，并利用實驗驗證了訓練網絡中加入一定量的純背景切片可以降低虛警率，提高檢測性能。除了受艦船自身尺寸的影響，不同分辨率下的SAR圖像所展示的艦船尺寸差異較大，高分辨率下的SAR圖像可以刻畫艦船的一些宏觀結構，易于標注；弱小艦船目標和低分辨率SAR圖像中艦船目標呈現出密集的強散射像素點，而在場景復雜的近岸地區，起重機、吊塔等人造設施同樣在SAR圖像中表現為高亮的點目標，增加了標注的難度。對于此類目標，一些數據集在標注時借助光學遙感圖像以及AIS信息輔助標記。現有的SAR艦船數據集大多按照PASCAL VOC數據集[15]標注策略進行標注，即采用LabelImg或Colabeler等標注工具對艦船目標的最小包圍框進行標記，每張圖像對應一個可擴展標記語言(Extensible Markup Language,XML)文件，如圖2所示，該文件包含有切片形狀、包圍框位置等信息。其中，標簽記錄的是艦船切片的寬、高和通道數，標簽