SAR舰船检测数据集总结_舰船数据集

Ships in Satellite Imagery

该数据集由从加利福尼亚旧金山湾和圣佩德罗湾地区收集的 Planet 卫星图像中提取的图像芯片组成。它包括 4000 张 80x80 RGB 图像，标有“船”或“无船”分类。图像芯片源自PlanetScope全画幅视觉场景产品，经正射校正至3米像素大小。

提供的是一个压缩目录shipsnet.zip，其中包含作为 .png 图像芯片的整个数据集。每个单独的图像文件名都遵循特定的格式：{label} __ {scene id} __ {longitude} _ {latitude}.png

https://link.zhihu.com/?target=https%3A//www.kaggle.com/datasets/rhammell/ships-in-satellite-imagery

Airbus Ship Detection Challenge

Kaggle比赛数据集，需要在图像中定位船只，并在所定位的船只周围放置对齐的边界框段。许多图像不包含船只，而包含船只的图像可能包含多艘船只。图像内和图像之间的船舶可能大小不同，并且位于公海、码头、码头等。
csv文件为训练图像提供了GT。

https://link.zhihu.com/?target=https%3A//www.kaggle.com/competitions/airbus-ship-detection/data

Sandia SAR数据集

美国能源部国家核安全管理局公开的数据集

https://link.zhihu.com/?target=https%3A//www.sandia.gov/radar/pathfinder-radar-isr-and-synthetic-aperture-radar-sar-systems/complex-data/

OpenSARShip

上海交通大学公开的数据集

https://link.zhihu.com/?target=https%3A//opensar.sjtu.edu.cn/

OpenSARship-1.0

• OpenSARShip 是一个包含 13 个示例的船舶数据集，1从3个41张包含1个0中6个图像图像1个4个芯片。
• 主要覆盖亚洲5个港口，共有17种类型（AIS类型）的船舶。
• 图像的空间要求为 2.7 × 22 到 3.6 × 22 和 20 × 22 米。
• 具有混合VV和VH的数据集图像。
• 船舶图像播放一个自动识别系统 (AIS) 消息。
• 船舶芯片的详细信息，包括 AIS 消息、SAR 船舶签名和 MarineTraffic 网站提供的，都列在名为 Ship.xml 的 XML 文件中。
• 图像尺寸范围从 30 × 30 到 12 × 120 。
• 每个 Sentinel SAR 提供不同类型的数据格式的数据图像、外观、外观和数据：
• 原始数据和格式数据位采用.tiff并具有128深色（每通道32）。
• 伪彩色的可视化数据有24位颜色深度（每个通道8位）并且为.png格式。
• 8色可视化数据，并采用.tiff格式。

https://link.zhihu.com/?target=http%3A//opensar.sjtu.edu.cn/

SAR-Ship-Dataset

• 它由 43819 个组成 256×256 颗的船舶芯片。

• 具体数据集包括59535个船舶实例。

• 该数据集是使用 102 张中国高分 3 图像和 108 张贴兵 1 创建的图像。

• 图像的22米、8分一号、3米、5米、10米和25米的空间尺寸，尺寸为1.7×4.3到3.7×4.9×和20×4.9米的空间。

• 高分3的成像模式为超细带状图（UFS）、细带状图1（FSI）、全长带状图1（QPSI）、全状带状图2（QPSII）和细带状图2（FSII）。

• 对于 Sentinel-1，成像模式为 S3 Strip-Map (SM)、S6 SM 和 IW 模式。

• 船舶芯片可扩展标记语言（XML）文件，指示船舶的位置、船舶芯片名称和图像形状。

  https://link.zhihu.com/?target=https%3A//github.com/CAESAR-Radi/SAR-Ship-Dataset

AIR-SARShip

• AIR-SARShip-1.0 采集自高分三号卫星数据集，包含31张大场景图像。

• 图像有聚光灯模式。共有30000个模式，共有30000个模式。

• SAR 00000 0 × 3 ） 被 3 个 图像 500 × 3 像素的原始图像 500 × 3

• 上面6×6×31 = 1116个子图像为.tiff格式。

• 图像的一个 XML 标签，包括图像文件名文件的大小、尺寸、尺寸、类别和每个目标框的大小。

• SAR图像的空间要求为每3米和3米。

  https://link.zhihu.com/?target=http%3A//radars.ie.ac.cn/web/data/getData%3FdataType%3DSARDataset_en%26pageType%3Den

HRSID

• 特定数据集和 20 个相同数据集 SAR 116 个同义集。

• 制造 HRSID 的原始图像是 99 个 Sentinel-1B 图像、36 个 TerraSAR-X 和 1 个 TanDEM-X 图像。

• 以上 1 张全景 SAR 图像为 5604 张博 SAR 图像。

• 这 5604 张图像的尺寸为 800 × 800 ，要求为 96 dpi，并且有 .peg 格式。

• 图像的颜色深度为8位（一个通道）。

• 提取的一个交换机 1 张实例 59SAR 图像包含一个。

• SAR图像的空间要求为每3米和0.5、1米。

• 实例的注解是的另一种场景和一些类似的东西。

• 每个 SAR 图像的注释构成 MS COCO 数据集格式的 .json 文件。

  https://link.zhihu.com/?target=https%3A//github.com/chaozhong2010/HRSID

FUSAR-船舶数据集

• FUSAR-Ship数据集细共有15个船舶类别，98个船舶子类别，98个船舶子类别，33个场景，由12个超场景组成。这1个图像的图像是模式条形图（UFS）组成模式。

• 它包括超过 5000 个 AIS 消息的船舶芯片和一些其他类型的海洋目标和背景杂波。

• 尺寸为512张图片的尺寸为512张。

• 这些图像为.tiff格式，颜色为8位。

• 每个样本的图像存储类别在类别_类别/子类别下。每个样本的文件名称遵循约定：SyyNzzzziff，其中 xx 是类别，yy 是子索引，zzzz 是这个索引特定样本的索引。

• 具有V和HH V的数据集图像。

• 匹配元数据编译在“meta.csv”或“meta.xls”文件中，格式为：id mmsi length width polarMode centerLookAngle heightspace widthspace path。

  https://link.zhihu.com/?target=http%3A//www.emwlab.fudan.edu.cn/resources/main.psp

ShipRSImageNet

• ShipRSImageNet 包含超过 3435 张图像和 17573 个船舶实例，并使用水平和定向边界框进行注释。

• 上述 3435 幅图像是从各种传感器、卫星平台、位置和季节获得的。

• 每个图像大约为 930×930 像素，包含具有不同比例、方向和纵横比的船只。

• 图像的空间分辨率范围为 0.12 到 6 m。

• 这 3435 张图片来自：

• • xView 数据集（532 张图像）。
  • HRSC2016 数据集（1057 张图像）。
  • FGSD 数据集（1846 张图像）。
  • 空中客车船舶探测挑战赛（21 张图片）。
  • 中国卫星，如高分二号和吉林一号（17张图像）。

• ShipRSImageNet 中的船舶按层次分为四个级别（0-3）和 50 个类别（49 种船舶类型和“Dock”）。

• 0级区分对象是否为船，即“等级”。级别 1 将船舶对象类别进一步分类，命名为“类别”。级别 2 根据级别 1（“子类别”）进一步细分类别。Level 3 是特定的船型，命名为“Type”。

• ShipRSImageNet 分为训练集、验证集和测试集，分别包含原始图像的 64% (2198)、16% (550) 和 20% (687)。

• 每个船实例都有一组相应的注释，它们是：

• • 一个水平边界框↦ (xmin, ymin, xmax, ymax)。
  • 一个定向边界框↦ (xc, yc, w, h, θ)。
  • 多边形注释 ↦ (x1, y1, x2, y2, x3, y3, x4, y4)。

• 上述注释以 Pascal VOC 和 MS COCO 数据集格式提供。

https://link.zhihu.com/?target=https%3A//drive.google.com/file/d/1wApkaSoa9mXRfXQiq6lTtlVrv4cSc6vv/view

FGSCR-42

• 它由 9320 张不同空间分辨率的光学卫星图像组成。

• 这些图像包含 9320 个船舶实例（其分类为：1 个图像 = 1 个实例）。

• FGSCR-42 中图像的大小范围从大约 50 × 50 到大约 1500 × 1500 像素。

• 该数据集包含来自 10 个主要船舶类别的 42 个不同类别：

• • Aircraft_carrier ↦ 8类

  • 巡洋舰 ↦ 1 类

  • 毁灭者↦ 10类

  • Assault_ship ↦ 3 个类别

  • Landing_ship ↦ 4 类

  • Transport_dock ↦ 2 个分类

  • Support_ship ↦ 3 个分类

  • Combat_ship ↦ 2 个类别

  • 护卫舰↦2类

  • Civil_vessel ↦ 7大类

https://link.zhihu.com/?target=http%3A//pan.baidu.com/s/1eXplDfB5fCBPm7WMcFKZkg 提取码：9xx8

MASATI-v2

• 具体数据集由 7389 张图像组成，平均尺寸为 512 × 512 像素。

• 以上 7389 张图片是从 Microsoft Bing 地图中获取的，它们以 .png 格式存储。

• 在这个数据集中，每个图像都根据以下七个类别进行了手动标记：

• • 土地：1078 张图片 | 主类：非船舶 | 描述：陆地（无船）。
  • 海岸：1132 张图片 | 主类：非船舶 | 描述：海岸（无船）。
  • 海：1022 张图片 | 主类：非船舶 | 描述：海（没有船）。
  • 船 : 1027 张图片 | 主类：船舶 | 描述：有船的海（没有海岸）。
  • 多：304 张图片 | 主类：船舶 | 描述：多艘船。
  • 海岸船：1037 张图片 | 主类：船舶 | 描述：有船只的海岸。
  • 详情：1789 张图片 | 主类：船舶 | 描述：船舶详情。（大船）

• 此标签使用 PASCAL VOC 的注释格式存储在 XML 文件中。

• 上面的 .xml 文件包含图像的尺寸和通道、实例的类名以及每个实例对应的边界框的四对像素坐标。

https://link.zhihu.com/?target=https%3A//www.iuii.ua.es/datasets/masati/

SRSDD-SAR旋转船舶检测数据集

• 它由中国高分三号的 30 个全景 SAR 瓦片组成，距离方向和方位角分辨率为 1 m。

• 这些原始 SAR 图像处于聚光灯 (SL) 模式，具有 HH 和 VV 偏振。

• 上述图像被裁剪为 666 个较小的图像，尺寸为 1024x1024 像素。

• SRSDD-v1.0 包含 2884 个船舶实例，分布在 6 个不同的类别中：

• • ore-oil (carrier) ↦ 166 艘船实例
  • bulk-cargo ↦ 2053 个船舶实例
  • 钓鱼 ↦ 288 艘船实例
  • LawEnforce ↦ 25 个飞船实例
  • 挖泥船 ↦ 263 艘船实例
  • 集装箱 ↦ 89 个船实例

• 在数据集中，每个实例的位置由一个定向的四边形边界框 [(x1, y1), (x2, y2), (x3, y3), (x4, y4)] 进行注释。边界框的第一个点 (x1, y1) 表示起点，指的是一艘船的左上角。

• 图像的注释保存在具有相同文件名的文本文件中。在第一行中，给出了“imagesource”。在第二行中，给出了“gsd”（地面样本距离=1）。从注释文本文件的第三行到最后一行，给出了每个实例的注释。

• 对于每个实例，都提供了一个“困难”标签，表示该实例是否难以检测（1 表示困难，0 表示不困难）。

https://link.zhihu.com/?target=http%3A//pan.baidu.com/s/1EonxuMSDVCnICwSsfWjYew 提取码：aC1Q

SSDD

• 它由 1160 张 SAR 图像组成，平均尺寸为 500×500 幅。

• 这个特定的数据集包括2358个船舶实例。

• SAR图像的空间要求为每一个1到15。

• 这 1160 张图像是从 RadarSat-2、TerraSAR-X 和 Sentinel-1 卫星获得的。

• 以上1160张图像为.jpeg格式，颜色深度为24位（每通道8位）。

• 数据集图像具有混合的 HH、HV、VV 和 VH 分支。

• 一个 .json 文件，其中包含每艘船的基础的分割文件。

  数据集 Pascal VOC 和 MS COCO 数据集格式，但旋转边界框除外，后者仅适用于 Pascal VOC 格式。

https://link.zhihu.com/?target=https%3A//drive.google.com/file/d/1glNJUGotrbEyk43twwB9556AdngJsynZ/view%3Fusp%3Dsharing