SAR舰船数据集----SSDD

SSDD和SSDD+
- 1.1 基本特点
- 1.2 论文提要
- 1.3 论文采用实验设置
- 1.4 详细介绍
- 1.5 SSDD+
- 1.6 SAR船舰目标检测

SSDD和SSDD+

数据集论文地址
SSDD官方下载地址
参考博客

数据制作：海军航空航天大学电子与信息工程系

1.1 基本特点

SSDD给予PASCAL VOC 的数据，使用在PASCAL VOC上的代码可以直接使用在SSDD上。
PASCAL VOC目标大概可以分成大中小三中目标，而SSDD中多数为小目标
SSDD+的数据集相对于SSDD数据将垂直边框变成了旋转边框，旋转边框可在完成检测任务的同时实现了对目标的方向估计

1.2 论文提要

采用PASCAL VOC的标注格式（现在的官方数据集下载链接中也完善了COCO的标注格式），按照7：2：1划分了training val test

SSDD包含了多种条件下的成像结果，这可以使得检测器的性能更加鲁棒，但同时也会使得检测器难以获得好的检测性能。

数据集的构成如下：

其中，NoS表示图片中舰船的数量，NoI表示图片的数量
SSDD总共包含1160张图片，2456个舰船，平均每张图片的舰船数量为2.12。虽然数量较少，但是对于但类别检测任务来说，可以结合一些tricks防止网络过拟合。
此外，SSDD数据集只对pixel大于3的舰船进行了标注

1.3 论文采用实验设置

采用AP@0.7作为评价指标：

网络性能：

1.4 详细介绍

SSDD是通过在网上下载公开的SAR图像，并将目标区域裁剪成大小为500×500左右像素，并通过人工标注舰船目标位置而得的。

图1(a)、(b)和©显示了简单背景(大片海域)下的小尺寸舰船目标，对于传统的以CFAR为主的检测算法能适应这类场景。图1(d)、(e)和(f)显示了复杂背景(靠岸区域)下的小尺寸舰船目标，这些目标背景复杂，传统方法要进行海陆分割才能进行检测，相比于基于深度学习的方法，会存在漏警和虚警的问题。图1(g)、(h)和(i)是靠近码头密集排列的大尺寸的舰船目标，此时传统检测方法难以检测到这些目标，而深度学习方法可以检测到它们。

PASCAL VOC里的目标大概可以分为大中小三种目标，而SSDD中大部分都是极小或微小的目标。PASCAL VOC长宽比大部分为1，少部分是2和3，而舰船目标长宽比较大，这些都是将深度学习目标检测算法用于SAR图像中舰船目标检测所需要考虑的内容
舰船目标长或者宽度所占图像尺寸的比例在0.04到0.24范围内，比PASCAL VOC的0.2到0.9要小很多。这为改进现有的深度学习目标检测算法提供了参考。

SSDD中长宽比的分布范围比较广，从0.4到3，在设计锚框(anchor box，也叫候选框或候选窗口，在Faster R-CNN论文首次提出，是指直接在最后一层的特征图上产生不同尺寸和长宽比的候选窗口，将这些窗口看做潜在的目标区域)时要做好权衡。

1.5 SSDD+

相比于SSDD，SSDD+更新了旋转框标注

旋转框的优势：

第一，旋转边框可以完全分开舰船与背景像素。通常，垂直边框中的很多像素不属于船的像素，这对于区分背景和舰船区域十分不利，尤其是密集排列的交叠非常大的舰船目标，所以最好利用旋转边框来定位舰船目标。
第二，旋转边框的宽度和高度可以显示船的真实形状而垂直边框的长宽比和尺寸与船的真实形状不一致，如图5(b)所示。
第三，旋转边框可在完成检测任务的同时实现对目标的方位向估计(会存在180°模糊)，不需要设计单独的舰船目标方向估计算法。

1.6 SAR船舰目标检测

深度学习在SAR图像智能解译领域具有很大的应用潜力，可研究的方向包括小尺寸目标检测、锚框设计、从头训练、采用斜框对目标检测和实时检测等。

小尺寸目标检测方法：

通过对数据集中目标尺寸的统计分析可以看到相比于计算机视觉领域的数据集，SSDD中的目标尺寸很小，因此需要重点研究小尺寸目标的检测。不巧的是，小尺寸检测一直是比较困难的(MS COCO中大尺寸的准确率比小尺寸高两倍左右)，因为它包含的信息少，不易提取的特征。
为了解决这样问题，出现了很多方法，包括特征融合，锚框(anchor)设计，多尺度数据训练等。
由于低层位置信息丰富，类别信息不足，高层相反，对它们进行特征融合是常用的提高小尺寸目标检测效果的方法FPN。
Augmentation for small object detection通过多次复制-粘贴小目标来对每个图像进行增强，在小目标的目标检测上提升明显。

锚框设计方面：

一般要根据数据集SSDD的统计结果改变锚框的尺寸和长宽比，即减小锚框的尺寸，增大锚框的长宽比。
MetaAnchor，它不像Faster-RCNN和SSD那样采用固定的锚框设置，而是根据目标具体情况动态生成生成各种锚框。
CornerNet，它摒弃了Anchor，使用关键点完成定位。

从头训练：

最近随着何恺明的论文Rethinking ImageNet Pre-training的出现，又让人对从头训练有了新的认知
不过毫无疑问的是从头训练检测算法特别适用于SAR图像舰船目标检测，它可以灵活的设计检测算法骨干网络结构，缓解分类与检测任务之间的矛盾，减少参数冗余等等，这也是正在重点研究的内容。

如果觉得文章不错，欢迎点赞收藏评论交流，这也是不断更新的动力！