HRSID: Ein Datensatz für hochauflösende SAR-Bilder zur Schiffsdetektion und Instanzsegmentierung

Mit der Entwicklung der Satellitentechnologie kann der aktuelle Bildmodus von Satelliten mit synthetischer Aperturradar (SAR) hochauflösende SAR-Bilder bereitstellen, die der Schiffsdetektion und Instanzsegmentierung zugutekommen. Währenddessen zeigen Objektdetektoren, die auf konvolutionalen neuronalen Netzwerken (CNN) basieren, eine hohe Leistung bei der SAR-Schiffsdetektion, selbst ohne Land-Wasser-Segmentierung; jedoch gibt es entsprechend Schwächen, wie die relativ kleine Größe der SAR-Bilder für die Schiffsdetektion, begrenzte SAR-Trainingsproben und unangemessene Annotationen in bestehenden SAR-Schiff-Datensätzen, die die Forschung behindern. Um die Entwicklung der auf CNN basierenden Schiffsdetektion und Instanzsegmentierung zu fördern, haben wir einen Datensatz für hochauflösende SAR-Bilder (HRSID) konstruiert. Neben der Objekterkennung kann auch die Instanzsegmentierung auf HRSID implementiert werden. Was den Datensatzbau betrifft, so werden unter einem Überlappungsverhältnis von 25 % 136 Panorama-SAR-Bilder mit einer Auflösung von 1 m bis 5 m auf 800 × 800 Pixel SAR-Bilder zugeschnitten. Um falsche Annotationen und fehlende Annotationen zu reduzieren, werden optische Fernerkundungsbilder verwendet, um die Störung durch Hafenbauwerke zu minimieren. Der HRSID enthält 5604 zugeschnittene SAR-Bilder und 16951 Schiffe, und wir haben HRSID in einen Trainingssatz (65 % SAR-Bilder) und einen Testsatz (35 % SAR-Bilder) im Format der Microsoft Common Objects in Context (MS COCO) unterteilt. 8 hochmoderne Detektoren wurden an HRSID getestet, um die Basislinie zu erstellen; die MS COCO Bewertungsmetriken werden für eine umfassende Evaluierung angewendet. Experimentelle Ergebnisse zeigen, dass die Schiffsdetektion und Instanzsegmentierung gut auf HRSID implementiert werden können.