RSAR|遥感图像分析数据集|目标检测数据集

arXiv2025-01-08 更新2025-01-10 收录

遥感图像分析

目标检测

下载链接：

https://github.com/zhasion/RSAR

下载链接

链接失效反馈

资源简介：

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。

提供机构：

南开大学, 上海人工智能实验室, 深圳福田NKIARI

创建时间：

2025-01-08

AI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