MOSAR-Ship

本文构建的MOSAR-Ship数据集包含从13个主要港口收集的数据，包括554幅L1级高分三号SAR图像和103幅19级Google Earth光学图像。它提供了大型船舶目标的详细细粒度注释，空间分辨率分别为1米和0.54米。数据集包含37个细粒度类别的大型船舶，共有3138个SAR船舶补丁和1294个光学船舶补丁。

The MOSAR-Ship dataset constructed in this paper consists of data collected from 13 major ports, including 554 Level 1 (L1) Gaofen-3 SAR images and 103 19-level Google Earth optical images. It provides detailed fine-grained annotations for large ship targets, with spatial resolutions of 1 meter and 0.54 meter respectively. The dataset encompasses 37 fine-grained categories of large ships, with a total of 3138 SAR ship patches and 1294 optical ship patches.

原始信息汇总

FGSR-HDA数据集概述

数据集基本信息

• 数据集名称：MOSAR-Ship
• 数据集用途：用于光学图像辅助的合成孔径雷达（SAR）图像细粒度船舶识别研究
• 构建来源：收集自13个主要港口
• 图像类型：包含合成孔径雷达（SAR）图像与光学图像两种模态数据

数据集构成与规模

• SAR图像来源与数量：554幅L1级高分三号高分辨率SAR图像
• 光学图像来源与数量：103幅19级谷歌地球光学图像
• 目标类别：37个细粒度大型船舶类别
• 数据切片数量：
  • SAR船舶切片：3,138个
  • 光学船舶切片：1,294个
• 空间分辨率：
  • SAR图像：1米
  • 光学图像：0.54米
• 注释信息：提供大规模船舶目标的详细细粒度标注

数据集特点

• 互补性：光学与SAR图像在信息表征上具有互补特性
• 挑战性：SAR图像存在固有的斑点噪声和纹理稀缺问题，对细粒度识别构成挑战
• 应用场景：支持跨模态细粒度遥感目标识别研究

相关方法

• 提出方法：基于分层蒸馏与对齐的跨模态细粒度船舶识别方法（FGSR-HDA）
• 骨干网络：采用串联ResNet34和Vision Transformer（ViT）的混合骨干网络（ResViTNet）
• 知识转移策略：
  • 基于KL散度的知识蒸馏使SAR分支从光学图像学习局部判别知识
  • 对比学习在高层语义空间对齐全局特征，构建模态不变嵌入表示
• 创新机制：引入多层感知器权重掩蔽机制实现样本级指导

实验验证

• 对比方法：包括在SAR模态上表现最佳的ResNet34、光学预训练后SAR微调的迁移学习方法、域适应方法（DANN、DSAN、ZSDA）以及利用对比学习进行跨模态船舶重识别的TransOSS方法
• 实验效果：所提方法在MOSAR-Ship数据集上显著优于单模态方法和域适应方法；在SAR标注数据有限的少样本实验中，也表现出卓越的学习能力和鲁棒性，能有效地将信息丰富的光学模态知识迁移到数据稀缺的SAR模态

获取与联系

• 数据集公开状态：数据集链接即将公开
• 联系方式：欢迎通过邮件[e-mail]或提交issue咨询FGSR-HDA方法及MOSAR-Ship数据集相关问题

搜集汇总

数据集介绍

构建方式

在遥感图像分析领域，高分辨率影像的获取与精细标注是推动细粒度识别研究的关键。MOSAR-Ship数据集的构建依托于多源遥感数据，采集自13个主要港口的554幅高分三号合成孔径雷达图像与103幅谷歌地球光学图像，这些影像的空间分辨率分别达到1米与0.54米。通过专业标注流程，数据集涵盖了37类大型船舶的细粒度类别，最终形成包含3138个SAR图像块与1294个光学图像块的样本集合，为跨模态细粒度识别提供了扎实的数据基础。

特点

该数据集在遥感目标识别领域展现出鲜明的跨模态互补特性。其核心在于同时包含合成孔径雷达与光学两种成像模态的图像，SAR图像能够穿透云层并反映地表结构，而光学图像则富含丰富的纹理与色彩信息，二者在信息表征上形成有效互补。数据集涵盖37个细粒度船舶类别，样本规模适中且标注精细，特别针对大型船舶目标，为研究跨模态知识迁移与细粒度特征学习提供了高质量的实验平台。

使用方法

在跨模态遥感图像分析应用中，MOSAR-Ship数据集支持多种先进方法验证。研究者可采用双流网络架构，分别处理SAR与光学图像输入，通过层次化蒸馏与对齐策略实现跨模态知识迁移。具体而言，可先利用光学分支预训练获取纹理知识，再冻结其权重，仅更新SAR分支参数；同时结合基于KL散度的知识蒸馏与对比学习，使SAR模态学习光学模态的局部判别特征，并在高层语义空间对齐全局特征，从而构建模态不变的嵌入表示，有效提升细粒度船舶识别性能。

背景与挑战

背景概述

合成孔径雷达（SAR）与光学遥感影像在船舶目标识别领域各自展现出独特的优势与局限，SAR影像具备全天时、全天候的观测能力，但受固有斑点噪声与纹理信息匮乏的制约，难以实现精细粒度的分类识别。在此背景下，MOSAR-Ship数据集应运而生，由相关研究团队于近期构建，旨在通过融合多模态遥感数据推动细粒度船舶识别研究的发展。该数据集汇集了来自13个主要港口的554幅高分三号SAR影像与103幅谷歌地球光学影像，涵盖37类大型船舶，共计提供3138个SAR与1294个光学船舶切片，空间分辨率分别达到1米与0.54米。其核心研究问题聚焦于利用光学影像丰富的纹理与色彩信息辅助SAR影像进行细粒度船舶识别，以克服单一模态的数据缺陷，为跨模态遥感目标识别提供了新的数据基准与方法论启示。

当前挑战

在细粒度船舶识别领域，SAR影像固有的斑点噪声与纹理缺失导致类间差异细微，传统单模态方法难以捕捉足够的判别性特征，这是该领域长期面临的核心挑战。MOSAR-Ship数据集的构建过程亦面临多重困难：多模态数据需在时空上精确配准，确保同一船舶目标在光学与SAR影像中对应一致；细粒度类别标注依赖专业领域知识，标注成本高昂且易引入主观误差；此外，光学与SAR影像在成像机理与特征表达上存在本质差异，如何有效对齐两种模态的语义信息并实现知识迁移，是跨模态方法设计中的关键难题。这些挑战共同制约着细粒度船舶识别性能的进一步提升。

常用场景

经典使用场景

在遥感图像分析领域，合成孔径雷达（SAR）图像因其全天候、全天时观测能力而备受关注，但固有的斑点噪声和纹理信息匮乏限制了其在精细目标识别中的应用。MOSAR-Ship数据集通过融合高分辨率光学与SAR图像，为跨模态细粒度船舶识别提供了经典实验平台。该数据集常用于训练和评估先进的深度学习模型，如基于层次蒸馏与对齐的FGSR-HDA方法，以探索光学图像辅助下SAR船舶的精细分类，显著提升了模型在复杂海港环境中的识别精度与鲁棒性。

实际应用

在实际海洋监测与海事管理场景中，MOSAR-Ship数据集具有重要价值。它支持港口船舶动态监控、非法航行检测以及舰船类型统计等任务，通过结合光学图像的丰富纹理与SAR图像的穿透能力，提升了复杂气象条件下的监测可靠性。该数据集还可应用于自动驾驶船舶的环境感知系统，为近海交通管理提供高精度、实时的目标识别支持，增强了海事安全与运营效率。

衍生相关工作

围绕MOSAR-Ship数据集，已衍生出一系列经典的跨模态识别研究工作。以FGSR-HDA方法为代表，其融合ResNet34与Vision Transformer的混合骨干网络设计启发了后续多模态特征提取架构的创新。同时，基于KL散度的知识蒸馏与对比学习对齐策略，为域自适应方法如DANN、DSAN等提供了优化方向。这些工作共同推动了细粒度遥感分析领域的发展，促进了光学-SAR协同识别技术在学术与工程界的广泛应用。