RCShip : Un ensemble de données dédié à la détection de navires dans des données SAR à compression de portée.

La surveillance en temps opportun des navires est impérative pour garantir la sécurité des opérations maritimes. La détection de navires dans le radar à synthèse d'ouverture (SAR) est généralement applicable aux images focalisées. Le temps nécessaire à la détection des cibles dépend principalement de la durée du processus d'imagerie, englobant des étapes de traitement complexes et chronophages telles que la correction de migration de portée et la compression en azimut. Par conséquent, atteindre une détection de navires en temps réel avec le SAR pose un défi significatif. Pour résoudre ces problèmes, la détection de navires dans le domaine à compression de portée du SAR émerge comme une approche viable. Cependant, il y a encore un manque de jeux de données fiables pour la détection de navires pouvant satisfaire la détection dans le domaine à compression de portée. Dans cet article, nous construisons un ensemble de données spécifiquement conçu pour la détection de navires dans des données SAR à compression de portée, appelé RCShip-1.0 (ensemble de données de navires à compression de portée). La source de données d'origine est des données à valeurs complexes disponibles publiquement provenant de l'acquisition Sentinel-1 et de l'ensemble de données OpenSARShip-1.0, englobant de nombreuses cibles de navires. Par la suite, l'algorithme de mise à l'échelle inversée de chirp (ICS) est appliqué sur les données à valeurs complexes pour acquérir des données SAR à compression de portée. RCShip-1.0 comprend un ensemble d'entraînement, un ensemble de validation et un ensemble de test acquis par deux approches distinctes. Il se compose de 1580 images SAR à compression de portée à grande échelle, qui sont ensuite divisées en 18322 sous-images afin de faciliter l'affichage et l'analyse ultérieure des résultats de détection au sein d'images SAR à grande échelle. Les résultats expérimentaux démontrent que chaque réseau profond obtient de bonnes performances sur l'ensemble de données, avec un score F 1 dépassant 65 %. L'utilisation de l'ensemble de données RCShip-1.0 pour obtenir ces résultats expérimentaux témoigne de sa faisabilité, de sa normalisation et de sa disponibilité publique.