Awesome-SAR-Detection

这是一个关于合成孔径雷达（SAR）目标检测的数据集合集，专注于收集和整理多个用于SAR图像中目标检测（特别是船舶检测）的数据集资源。合集涵盖了如LS SSD v1.0 OPEN、SAR Ship Dataset、SSDD、HRSID等多个公开数据集，提供了每个数据集的描述、下载链接和学术引用。主题领域包括遥感、SAR图像处理、船舶检测和深度学习应用。This is a dataset collection dedicated to synthetic aperture radar (SAR) target detection, which collects and organizes multiple public dataset resources for target detection in SAR images, with a particular focus on ship detection. The collection covers multiple public datasets such as LS SSD v1.0 OPEN, SAR Ship Dataset, SSDD, HRSID, etc., providing descriptions, download links and academic citations for each dataset. Its thematic fields include remote sensing, SAR image processing, ship detection and deep learning applications.

原始信息汇总

数据集详情总结：Awesome-SAR-Detection

该页面汇总了多个面向合成孔径雷达（SAR）图像舰船检测任务的开源数据集，所有数据集均专注于舰船目标检测。以下是各数据集的详细介绍：

LS SSD v1.0 OPEN

• 来源：基于 Sentinel-1 卫星的大幅面 SAR 图像，专为大幅面背景下的弱小舰船检测而设计。
• 规模：包含 15 幅大幅面 SAR 图像，经裁剪后得到 9,000 张子图像。
• 标注：由 SAR 专家结合 AIS 和 Google Earth 进行正确标注。
• 资源链接：
  • GitHub 仓库：https://github.com/TianwenZhang0825/LS-SSDD-v1.0-OPEN
  • 论文：https://www.mdpi.com/2072-4292/12/18/2997
  • Google Cloud 下载：https://drive.google.com/file/d/1-fSKYsKr5wuYuXJE2CDX_Yfr4Ylwjfqm/view?usp=sharing
  • 百度云下载：https://pan.baidu.com/s/1VzqyQHIZL1uPaHmSnRLxPg （提取码：2020）

SAR Ship Dataset

• 来源：由 102 景中国高分三号（Gaofen-3）图像和 108 景 Sentinel-1 图像构建。
• 规模：包含 43,819 个舰船切片，每个切片分辨率为 256×256 像素。
• 特点：舰船具有不同的尺度和背景，适用于多尺度和弱小目标检测。
• 资源链接：
  • GitHub 仓库：https://github.com/CAESAR-Radi/SAR-Ship-Dataset
  • 论文：https://www.mdpi.com/2072-4292/11/7/765
  • 百度云下载：https://pan.baidu.com/s/1PhSMkXVcuRM8M8xL15iBIQ

SAR Ship Dataset Part1

• 说明：是 SAR-Ship-Dataset 的子集。
• 资源链接：
  • GitHub 仓库：https://github.com/ChrisYang/SAR-Ship-Dataset
  • 论文：https://www.mdpi.com/2072-4292/11/7/765

SSDD

• 相关论文：https://ieeexplore.ieee.org/document/8124934
• 资源链接：
  • 百度云下载：https://pan.baidu.com/s/1E8ixqK5AVfXc98UgQmpqaw （提取码：trnt，密码：12345qwert）

SSDD+

• 说明：仅提供标注文件（annotations），图像与 SSDD 数据集相同。
• 资源链接：
  • 百度云下载：https://pan.baidu.com/s/1jxOjbRqmmJfQnHHTieHSpA （提取码：f7zj）

HRSID

• 任务：可用于舰船检测、语义分割和实例分割。
• 规模：包含 5,604 幅高分辨率 SAR 图像，共 16,951 个舰船实例。
• 分辨率：0.5m、1m、3m。
• 场景构成：近岸场景占 18.4%，离岸场景占 81.6%。另提供 400 幅纯背景 SAR 图像用于鲁棒性测试。
• 格式：提供 JPG 和 PNG 两种格式版本（PNG 格式占用存储空间更大，但保留更高保真度）。
• 资源链接：
  • GitHub 仓库：https://github.com/chaozhong2010/HRSID
  • 论文：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9127939
  • 百度云（JPG）：https://pan.baidu.com/s/1z0-E3Lwdkg14feu1FwRf3g （提取码：bs64）
  • Google Cloud（JPG）：https://drive.google.com/open?id=1BZTU8Gyg20wqHXtBPFzRazn_lEdvhsbE
  • Google Cloud（含近岸/离岸标注）：https://drive.google.com/file/d/1NY3ovgc-woDlNoQdyqzRB3t9McOBH5Ms/view?usp=sharing
  • Google Cloud（纯背景图像）：https://drive.google.com/file/d/1U0Sj1SHoq-2VjXXUKwpXae6rBI3YjyDP/view?usp=sharing
  • Google Cloud（PNG 格式）：https://drive.google.com/file/d/1xgXi8KC3MDWuu7Yp4n2J-LOPYLRszHAc/view?usp=sharing
  • 百度云（其他版本）：https://pan.baidu.com/s/1EitHYJ7tpGh0q9Qb3QA5SQ （提取码：vxrs）

AIR-SARShip-1.0

• 规模：首批发布 31 幅图像。
• 图像参数：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；图像尺寸约为 3000×3000 像素；格式为 Tiff、单通道、8/16 位深度。
• 场景类型：港口、岛礁、不同等级海况的海面。
• 目标类型：运输船、油船、渔船等十余类近千艘舰船。
• 标注内容：图像长宽尺寸、目标类别、矩形框位置。
• 资源链接：
  • 数据下载：http://radars.ie.ac.cn/web/data/getData?newsColumnId=1e6ecbcc-266d-432c-9c8a-0b9a922b5e85
  • 论文：http://radars.ie.ac.cn/article/doi/10.12000/JR19097

AIR-SARShip-2.0

• 规模：发布 300 幅图像。
• 图像参数：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、VV；图像尺寸约为 1000×1000 像素；格式为 Tiff、单通道、8/16 位深度。
• 场景类型：港口、岛礁、不同等级海况的海面。
• 目标类型：运输船、油船、渔船等十余类数千艘舰船。
• 标注内容：图像长宽尺寸、目标类别、矩形框位置。
• 资源链接：
  • 数据下载：http://radars.ie.ac.cn/web/data/getData?newsColumnId=abd5c1b2-fe65-47f7-8ebf-990273a91a48
  • 论文：http://radars.ie.ac.cn/article/doi/10.12000/JR19097

SAR Ship Dataset2

• 来源：用于促进 SAR 舰船检测与判别方法的比较研究，其中部分舰船有匹配的 AIS 数据。
• 说明：分发版本仅包含舰船切片，不包含原始 SAR 图像。
• 资源链接：
  • GitLab 仓库：https://gitlab.com/sarmaps/sar-ship-dataset
  • 论文：https://ieeexplore.ieee.org/document/7729017

GF-3 FUSAR-Ship Dataset

• 来源：基于 126 景高分三号（Gaofen-3）图像构建，覆盖多种场景（海面、陆地、海岸、河流、岛屿等）。
• 规模：包含超过 5,000 个舰船切片，并附带 AIS 信息，同时包括强散射体、桥梁、海岸陆地、岛屿、海面杂波和陆地杂波样本。
• 任务：面向舰船及海上目标检测与识别。
• 资源链接：
  • 官方资源页面：http://www.emwlab.fudan.edu.cn/resources/main.psp
  • 论文：https://link.springer.com/article/10.1007/s11432-019-2772-5

搜集汇总

数据集介绍

构建方式

在合成孔径雷达（SAR）舰船检测领域，高质量数据集的构建是推动深度学习算法发展的基石。Awesome-SAR-Detection数据集汇集了多个公开的SAR舰船检测数据集，其构建方式各具匠心。例如，LS-SSDD-v1.0源自15幅大型Sentinel-1 SAR图像，由SAR专家借助自动识别系统（AIS）和谷歌地球进行精确标注，随后将大尺度图像直接裁剪为9000幅子图像，便于网络训练。SAR Ship Dataset则融合了102幅中国高分三号图像与108幅Sentinel-1图像，生成43819个尺寸为256×256像素的舰船切片，涵盖多尺度和复杂背景。HRSID数据集借鉴了Microsoft COCO的构建流程，包含5604幅高分辨率SAR图像和16951个舰船实例，分辨率覆盖0.5米、1米和3米。AIR-SARShip-1.0与2.0分别发布31幅和300幅图像，分辨率包括1米和3米，成像模式涵盖聚束式和条带式，场景类型丰富。

特点

该数据集集合展现出鲜明的特点，为SAR舰船检测研究提供了多维度的支持。LS-SSDD-v1.0专注于大尺度背景下的弱小舰船检测，其裁剪策略显著提升了模型对小目标的感知能力。SAR Ship Dataset中的舰船切片具有多样化的尺度和背景，适用于多尺度与小目标检测器的开发。HRSID不仅支持舰船检测，还拓展至语义分割与实例分割任务，其包含的400幅纯背景负样本图像可用于测试模型的鲁棒性。AIR-SARShip系列则提供了高分辨率、多种成像模式及极化方式的图像，目标涵盖运输船、油船、渔船等十余类。此外，FUSAR-Ship数据集包含超过5000个带有AIS信息的舰船切片，以及强散射体、桥梁、海岸等杂波样本，为舰船识别与海洋目标检测提供了基准。

使用方法

研究人员可灵活运用这些数据集进行模型训练与评估。LS-SSDD-v1.0可通过谷歌云或百度云下载，其子图像格式便于直接输入深度学习框架。SAR Ship Dataset的切片尺寸统一为256×256像素，适合批量处理。HRSID提供了JPG和PNG两种格式的图像，并附有COCO风格的标注文件，用户可依据任务需求选择版本，其负样本图像可用于验证模型在纯背景下的表现。AIR-SARShip数据集的图像为Tiff格式，标注文件包含目标类别与矩形框位置，适用于目标检测任务。FUSAR-Ship数据集则提供了高分三号SAR图像与AIS匹配数据，可用于舰船检测与识别算法的开发。所有数据集均附有学术论文引用信息，便于研究者在使用时进行规范引用。

背景与挑战

背景概述

合成孔径雷达（SAR）因其全天时、全天候的成像能力，在海洋监视与舰船检测领域具有不可替代的地位。随着深度学习技术的迅猛发展，高质量标注数据集成为推动SAR图像智能解译的关键基石。Awesome-SAR-Detection数据集汇集了自2019年以来由多个国内外顶尖研究机构（如中山大学、中国科学院、复旦大学等）发布的十余个开源SAR舰船检测数据集，涵盖LS-SSDD-v1.0、HRSID、AIR-SARShip系列等。这些数据集聚焦于小目标检测、复杂背景下的多尺度舰船识别及高分辨率实例分割等核心研究问题，为遥感领域提供了标准化的评估基准，显著促进了SAR图像解译算法从传统方法向深度学习范式的跨越。

当前挑战

该数据集所面临的挑战主要体现在领域问题与构建过程两个层面。在领域问题方面，SAR舰船检测需应对复杂海况、近岸杂波、多尺度目标及小尺寸舰船带来的低信噪比与类间模糊性，现有算法在强散射干扰与稀疏样本场景下泛化能力仍显不足。在构建过程中，各子数据集来源于不同卫星平台（如Sentinel-1、Gaofen-3），其分辨率、极化方式与成像模式差异显著，导致标注标准难以统一；同时，大规模SAR图像的精确标注依赖专家经验与AIS数据辅助，人工成本高昂，而部分数据集（如SSDD+）仅提供标注文件，限制了跨数据集的联合训练与迁移学习效能。

常用场景

经典使用场景

在合成孔径雷达（SAR）图像解译领域，舰船目标检测始终是海洋监视与遥感应用的核心任务之一。Awesome-SAR-Detection数据集集合了多个公开的高质量SAR舰船检测子数据集，如LS-SSDD-v1.0、SSDD、HRSID等，为研究者提供了涵盖不同分辨率、极化方式、海况及近岸场景的丰富样本。其最经典的用法在于支撑基于深度学习的舰船目标检测算法训练与评估，尤其适用于小目标检测、多尺度特征学习以及复杂背景下的鲁棒性验证。通过统一的数据格式与标注规范，该数据集成为模型性能横向比较的基准平台，推动了SAR图像智能解译技术的标准化进程。

解决学术问题

该数据集系统性地解决了SAR舰船检测领域中长期存在的三大学术难题：一是小尺寸舰船在低信噪比背景下的漏检问题，LS-SSDD-v1.0专为小目标检测设计，提供了大规模场景下的精细标注；二是复杂环境（如近岸、港口、岛礁）中的虚警抑制问题，HRSID与SAR-Ship-Dataset通过涵盖近岸与离岸场景的多样化样本，助力模型学习区分舰船与陆地杂波；三是多源数据融合下的泛化能力不足，GF-3 FUSAR-Ship等子集引入AIS信息匹配，为跨传感器、跨分辨率的迁移学习研究奠定了数据基础。这些突破显著提升了SAR图像智能解译的精度与可靠性，对海洋态势感知与国家安全具有深远意义。

衍生相关工作

基于Awesome-SAR-Detection数据集，学术界涌现出一系列具有影响力的衍生工作。在算法层面，研究者提出了针对SAR图像特性的改进型Faster R-CNN、YOLO变体以及注意力机制增强的特征金字塔网络，显著提升了小目标检测与旋转框回归的精度。在任务拓展方面，HRSID催生了面向实例分割的SAR图像解析方法，将检测任务延伸至像素级轮廓提取；而FUSAR-Ship数据集则推动了SAR目标识别与AIS信息融合的研究，衍生出基于多模态学习的舰船身份验证与轨迹预测模型。此外，该数据集还启发了SAR图像去噪、超分辨率重建等预处理技术的优化，形成了从数据增强到模型评估的完整研究链条。