RSAR

RSAR是由南开大学、上海人工智能实验室和深圳福田NKIARI联合构建的旋转SAR目标检测数据集，是目前该领域最大的多类别数据集。该数据集包含95,842张SAR图像和183,534个标注实例，涵盖六种典型的SAR目标类别。数据集的构建过程通过弱监督模型生成伪旋转框标签，并经过人工校准，确保了标注的准确性。RSAR数据集旨在解决旋转SAR目标检测领域缺乏大规模数据集的问题，提升模型在角度预测上的精度，广泛应用于遥感图像分析、目标检测等领域。RSAR is a rotated SAR object detection dataset jointly constructed by Nankai University, Shanghai AI Laboratory and Shenzhen Futian NKIARI, and it is currently the largest multi-class dataset in this field. This dataset contains 95,842 SAR images and 183,534 annotated instances, covering six typical SAR object categories. The dataset construction process generates pseudo rotated bounding box labels via weakly-supervised models, followed by manual calibration to ensure the accuracy of annotations. The RSAR dataset aims to address the shortage of large-scale datasets in the field of rotated SAR object detection, improve the accuracy of model angle prediction, and is widely applied in remote sensing image analysis, object detection and other related fields.

搜集汇总

数据集介绍

构建方式

RSAR数据集的构建采用了弱监督模型与人工校准相结合的方式。首先，利用现有的水平边界框训练弱监督模型，并通过提出的单位圆约束解析器（UCR）生成伪旋转边界框作为参考。随后，通过人工校准对这些伪标签进行精细化处理，确保标注的准确性。为了确保实验的公平性，测试集和验证集完全由人工标注，未使用弱监督模型的参考。最终，RSAR数据集包含95,842张SAR图像和183,534个标注实例，涵盖六类典型SAR目标。

特点

RSAR数据集是目前最大的多类别旋转SAR目标检测数据集，具有显著的特点。首先，它提供了旋转边界框的标注，相较于水平边界框，能够更精确地定位目标。其次，数据集涵盖了六类典型SAR目标，包括船舶、坦克、桥梁、飞机、港口和汽车，具有较高的多样性和代表性。此外，RSAR的标注过程通过弱监督模型和UCR的辅助，显著提高了标注效率，同时确保了标注的准确性。

使用方法

RSAR数据集可用于旋转SAR目标检测任务的研究与评估。研究人员可以使用该数据集训练和测试旋转目标检测模型，特别是针对SAR图像的旋转目标检测算法。数据集支持主流检测框架的兼容性，标注格式为DOTA格式，便于直接应用于现有的检测框架。此外，RSAR还可用于评估弱监督模型在旋转目标检测中的性能，特别是通过UCR生成的伪标签与人工标注的对比，验证模型在角度预测上的改进效果。

背景与挑战

背景概述

RSAR（Restricted State Angle Resolver and Rotated SAR Benchmark）数据集是近年来在合成孔径雷达（SAR）领域推出的首个大规模多类别旋转目标检测数据集。该数据集由南开大学、上海人工智能实验室等机构的研究团队于2025年发布，旨在解决SAR图像中旋转目标检测的难题。RSAR包含95,842张SAR图像和183,534个标注实例，涵盖六类典型目标（如船只、坦克、桥梁等）。其构建过程中，研究团队提出了一种创新的角度解析器——单位圆约束解析器（UCR），通过弱监督模型生成伪旋转框标签，并结合人工校准，显著提升了旋转目标检测的精度。RSAR的发布填补了SAR领域缺乏大规模旋转目标检测数据集的空白，推动了相关领域的研究进展。

当前挑战

RSAR数据集在构建和应用过程中面临多重挑战。首先，旋转目标检测的核心问题在于角度边界不连续性，即角度预测在边界处容易出现偏差，导致检测精度下降。尽管已有研究通过角度编码策略缓解这一问题，但这些方法往往忽略了角度编码状态的单位圆约束，导致预测偏差。其次，数据集的构建过程面临高昂的标注成本和时间消耗。传统的人工标注方法效率低下，而弱监督模型虽然能够生成伪旋转框标签，但其角度预测精度有限，仍需大量人工校准。此外，SAR图像的复杂背景和低分辨率特性进一步增加了目标检测的难度，使得旋转目标检测的性能提升面临较大挑战。

常用场景

经典使用场景

RSAR数据集在旋转目标检测领域具有重要的应用价值，尤其是在合成孔径雷达（SAR）图像分析中。该数据集通过提供大规模的多类别旋转目标标注，显著提升了旋转目标检测模型的训练和评估效果。其经典使用场景包括SAR图像中的舰船、飞机、桥梁等目标的精确检测与定位，尤其是在复杂背景和不同角度下的目标识别任务中，RSAR数据集为模型提供了丰富的训练样本和多样化的场景。

衍生相关工作

RSAR数据集的发布推动了旋转目标检测领域的多项研究工作。基于该数据集，研究者提出了多种改进的旋转目标检测算法，如基于角度编码的弱监督模型和基于单位圆约束的角度解析器（UCR）。这些方法在RSAR数据集上进行了广泛验证，显著提升了旋转目标检测的性能。此外，RSAR数据集还激发了更多关于SAR图像旋转目标检测的研究，推动了该领域的进一步发展。

数据集最近研究

最新研究方向

在遥感领域，旋转目标检测技术因其能够提供比水平目标检测更精确的定位而备受关注。然而，合成孔径雷达（SAR）领域的进展相对滞后，主要原因是缺乏大规模的数据集。RSAR数据集的引入填补了这一空白，成为目前最大的多类别旋转SAR目标检测数据集。该数据集通过弱监督模型生成伪旋转框标签，并结合手动校准，显著提升了旋转目标检测的精度。近年来，研究者们致力于解决角度边界不连续性问题，提出了多种角度解析器方法。最新的研究方向集中在通过维度映射的统一视角，揭示现有方法的局限性，并提出创新的单位圆约束解析器（UCR），以提升角度预测的准确性。这一方法不仅在RSAR数据集上表现出色，还在光学数据集上超越了全监督模型的性能，为旋转SAR目标检测领域提供了强有力的基准。

相关研究论文

• RSAR: Restricted State Angle Resolver and Rotated SAR Benchmark

  南开大学, 上海人工智能实验室, 深圳福田NKIARI · 2025年