AIR-SARShip-1.0：高分辨率SAR舰船检测数据集

孙显; 王智睿; 孙元睿; 刁文辉; 张跃; 付琨

doi:10.12000/JR19097

AIR-SARShip-1.0：高分辨率SAR舰船检测数据集

DOI: 10.12000/JR19097

孙显^{1, 2, 3, ,},
王智睿^{1, 3,},
孙元睿^{1, 2,},
刁文辉^{1, 3,},
张跃^{1, 3,},
付琨^{1, 2, 3,}

1.
中国科学院空天信息创新研究院北京 100190
2.
中国科学院大学北京 100190
3.
中国科学院网络信息体系技术科技创新重点实验室北京 100190

基金项目: 国家自然科学基金(61725105, 41801349, 41701508)，国家高分辨率对地观测系统重大专项（GFZX0404120405）

详细信息

作者简介:
孙　显(1981–)，男，中国科学院空天信息创新研究院研究员，博士生导师，主要研究方向为计算机视觉与遥感图像理解，IEEE高级会员，雷达学报青年编委。E-mail: sunxian@mail.ie.ac.cn

王智睿(1990–)，男，2018年在清华大学获得博士学位，现任中国科学院空天信息创新研究院助理研究员，主要研究方向为SAR图像智能解译。E-mail: zhirui1990@126.com

孙元睿(1995–)，男，博士生，2017年获得中国地质大学(武汉)工学学士学位，现为中国科学院大学信息与通信工程博士生，主要研究方向为SAR舰船检测。E-mail: sunyuanrui17@mails.ucas.ac.cn

刁文辉(1988–)，男，2016年在中国科学院大学获得博士学位，现任中国科学院空天信息创新研究院助理研究员。主要研究方向为深度学习理论及其在遥感图像解译中的应用，目前已发表论文20余篇。E-mail: whdiao@mail.ie.ac.cn

张　跃(1990–)，男， 2017年在中国科学院大学获得博士学位，现任中国科学院空天信息创新研究院助理研究员。主要研究方向为SAR图像智能分析与解译应用，目前已发表SCI论文10余篇。E-mail: zhangyue@air.cas.ac.cn

付　琨(1974–)，男，研究员，博士生导师，现任中国科学院空天信息创新研究院院长助理，中国科学院重点实验室主任，主要从事地理空间数据分析与挖掘、遥感图像智能解译等领域的研究工作，先后获国家科技进步特等奖、国家科技进步一等奖和省部级一等奖等多项。E-mail: fukun@mail.ie.ac.cn

通讯作者:
孙显 sunxian@mail.ie.ac.cn

中图分类号: TN957.51; TN958
计量
- 文章访问数: 21859
- HTML全文浏览量: 19012
- PDF下载量: 2802
- 被引次数: 136
出版历程
- 收稿日期: 2019-11-16
- 修回日期: 2019-12-17
- 网络出版日期: 2019-12-01

AIR-SARShip-1.0: High-resolution SAR Ship Detection Dataset

SUN Xian^{1, 2, 3
, ,},
WANG Zhirui^{1, 3
,},
SUN Yuanrui^{1, 2
,},
DIAO Wenhui^{1, 3
,},
ZHANG Yue^{1, 3
,},
FU Kun^{1, 2, 3
,}

1.
Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100190, China
2.
University of Chinese Academy of Sciences, Beijing 100190, China
3.
Key Laboratory of Network Information System Technology(NIST), Aerospace InformationResearch Institute, Chinese Academy of Sciences, Beijing 100190, China

Funds: The National Natural Science Foundation of China (61725105, 41801349, 41701508), National Major Project on High Resolution Earth Observation System (GFZX0404120405)

More Information

Author Bio:
SUN Xian was born in 1981. He is a researcher and doctoral supervisor at the Aerospace Information Research Institute, Chinese Academy of Sciences. His main research fields are computer vision and remote sensing image interpretation. E-mail: sunxian@mail.ie.ac.cn

WANG Zhirui was born in 1990. He received his PhD from Tsinghua University in 2018. He is currently a research assistant at the Aerospace Information Research Institute, Chinese Academy of Sciences. His main research field is intelligent interpretation of SAR images. E-mail: zhirui1990@126.com

SUN Yuanrui was born in 1995. He received his bachelor’s degree in engineering from China University of Geosciences (Wuhan) in 2017. He is now a doctoral candidate in information and communication engineering of the University of Chinese Academy of Sciences. His main research field is SAR ship detection. E-mail: sunyuanrui17@mails.ucas.ac.cn

DIAO Wenhui was born in 1988. He received his PhD from the University of Chinese Academy of Sciences in 2016. He is currently a research assistant at the Aerospace Information Research Institute, Chinese Academy of Sciences. His main research interests include deep learning theory and its application in remote sensing image interpretation. E-mail: whdiao@mail.ie.ac.cn

ZHANG Yue was born in 1990. He received his PhD from the University of Chinese Academy of Sciences in 2017. He is currently a research assistant at the Aerospace Information Research Institute, Chinese Academy of Sciences. His main research field is intelligent analysis and interpretation of SAR images. E-mail: zhangyue@air.cas.ac.cn

FU Kun was born in 1974. He is a researcher and doctoral supervisor. He is the president assistant at the Aerospace Information Research Institute, Chinese Academy of Sciences, and the director of the Key Laboratory of the Chinese Academy of Sciences. He is mainly engaged in research in the fields of geospatial data analysis and mining, and remote sensing image intelligent interpretation. He has successively won the National Science and Technology Progress Award, the first prize of the National Science and Technology Progress Award, and the first prize of the Provincial and Ministerial-Level Award. E-mail: fukun@mail.ie.ac.cn

Corresponding author: SUN Xian, sunxian@mail.ie.ac.cn

摘要

摘要:
近年来，深度学习技术得到广泛应用，然而在合成孔径雷达(SAR)舰船目标检测研究中，由于数据获取难、样本规模小，尚难以支撑深度网络模型的训练。该文公开了一个面向高分辨率、大尺寸场景的SAR舰船检测数据集，该数据集包含31景高分三号SAR图像，场景类型包含港口、岛礁、不同级别海况的海面等，背景涵盖近岸和远海等多样场景。同时，该文使用经典舰船检测算法和深度学习算法进行了实验，其中基于密集连接端到端网络方法效果最佳，平均精度达到88.1%。通过实验对比分析形成指标基准，方便其他学者在此数据集基础上进一步展开SAR舰船检测相关研究。
- SAR舰船检测 /
- 公开数据集 /
- 深度学习
Abstract:
Over the recent years, deep-learning technology has been widely used. However, in research based on Synthetic Aperture Radar (SAR) ship target detection, it is difficult to support the training of a deep-learning network model because of the difficulty in data acquisition and the small scale of the samples. This paper provides a SAR ship detection dataset with a high resolution and large-scale images. This dataset comprises 31 images from Gaofen-3 satellite SAR images, including harbors, islands, reefs, and the sea surface in different conditions. The backgrounds include various scenarios such as the near shore and open sea. We conducted experiments using both traditional detection algorithms and deep-learning algorithms and observed the densely connected end-to-end neural network to achieve the highest average precision of 88.1%. Based on the experiments and performance analysis, corresponding benchmarks are provided as a basis for further research on SAR ship detection using this dataset.
- SAR ship detection /
- Public dataset /
- Deep learning

HTML全文

图 1 数据集标注示意图

Figure 1. The annotated example in the dataset

下载: 全尺寸图片幻灯片

图 2 AIR-SARShip-1.0数据集中场景示例

Figure 2. The example scenes of AIR-SARShip-1.0 dataset

下载: 全尺寸图片幻灯片

图 3 数据集舰船矩形框面积分布

Figure 3. The area distribution of ship rectangle in the dataset

下载: 全尺寸图片幻灯片

图 4 同一地区不同角度成像示例

Figure 4. Imaging examples of the same area at different angles

下载: 全尺寸图片幻灯片

图 5 旋转图像示例

Figure 5. The examples of rotated images

下载: 全尺寸图片幻灯片

图 6 DCENN网络主要结构

Figure 6. The main structure of DCENN network

下载: 全尺寸图片幻灯片

图 7 基于密集连接融合特征图

Figure 7. The fusion feature map based on dense connection

下载: 全尺寸图片幻灯片

图 8 基于Faster-RCNN的SAR舰船检测示意图

Figure 8. The detection example of SAR ship based on Faster-RCNN

下载: 全尺寸图片幻灯片

1 AIR-SARShip-1.0数据集发布地址

1. Release address of AIR-SARShip-1.0 dataset

下载: 全尺寸图片幻灯片

图 1 Annotated example in the dataset

下载: 全尺寸图片幻灯片

图 2 Examples of the AIR-SARShip-1.0 dataset

下载: 全尺寸图片幻灯片

图 3 Area distribution of ship rectangle in the dataset

下载: 全尺寸图片幻灯片

图 4 Imaging examples of the same area at different angles

下载: 全尺寸图片幻灯片

图 5 Examples of original image and rotated images

下载: 全尺寸图片幻灯片

图 6 Main structure of the DCENN network

下载: 全尺寸图片幻灯片

图 7 Fusion feature map based on dense connection

下载: 全尺寸图片幻灯片

图 8 Detection example of SAR ship based on Faster-RCNN

下载: 全尺寸图片幻灯片

App Fig. 1 Release address of the AIR-SARShip-1.0 dataset

下载: 全尺寸图片幻灯片

表 1 数据集信息

Table 1. The dataset information

分辨率	成像模式	极化方式	图像格式
1 m, 3 m	聚束式、条带式	单极化	Tiff

下载: 导出CSV

1 AIR-SARShip-1.0数据集详情

1. AIR-SARShip-1.0 dataset information in detail

图像编号	像素尺寸	海况	场景	分辨率(m)	舰船数量
1	3000×3000	2级	近岸	3	5
2	3000×3000	0级	近岸	1	7
3	3000×3000	3级	远海	3	10
4	3000×3000	2级	远海	3	8
5	3000×3000	1级	近岸	3	15
6	3000×3000	4级	远海	3	3
7	3000×3000	4级	远海	3	5
8	3000×3000	1级	近岸	1	2
9	3000×3000	2级	近岸	1	7
10	3000×3000	1级	远海	1	50
11	3000×3000	1级	近岸	1	80
12	3000×3000	2级	近岸	1	18
13	4140×4140	1级	近岸	1	21
14	3000×3000	1级	近岸	1	15
15	3000×3000	1级	近岸	1	77
16	3000×3000	3级	近岸	3	13
17	3000×3000	3级	近岸	3	3
18	3000×3000	3级	近岸	3	2
19	3000×3000	3级	近岸	3	1
20	3000×3000	2级	近岸	3	7
21	3000×3000	2级	近岸	3	9
22	3000×3000	1级	近岸	3	14
23	3000×3000	1级	远海	3	4
24	3000×3000	4级	远海	3	6
25	3000×3000	4级	远海	1	20
26	3000×3000	2级	近岸	3	15
27	3000×3000	2级	近岸	3	19
28	3000×3000	1级	近岸	3	8
29	3000×3000	3级	远海	3	6
30	3000×3000	2级	远海	3	8
31	3000×3000	1级	近岸	3	3

下载: 导出CSV

表 2 经典机器学习算法舰船检测性能基准

Table 2. The performance benchmarks of classic ship detection algorithm

算法	AP(%)
CFAR	27.1
基于K分布的CFAR	19.2
KSW	28.2

下载: 导出CSV

表 3 基于深度学习的SAR舰船检测算法的性能基准

Table 3. The performance benchmarks of SAR ship detection algorithms based on deep learning

性能排名	算法	AP(%)	FPS
1	DCENN	88.1	24
2	Faster-RCNN-DR	84.2	29
3	Faster-RCNN	79.3	30
4	SSD-512	74.3	64
5	SSD-300	72.4	151
6	YOLOv1	64.7	160

下载: 导出CSV

表 4 不同场景下算法性能结果

Table 4. The performance benchmarks of different scenes based on different algorithms

性能排名	算法	近岸舰船AP(%)	远海舰船AP(%)
1	DCENN	68.1	96.3
2	Faster-RCNN-DR	57.6	94.6
3	SSD-512	40.3	89.4

下载: 导出CSV

表 1 The dataset information

Resolution	Imaging mode	Polarization mode	Format
1 m, 3 m	Spotlight, Strip	Single	Tiff

下载: 导出CSV

表 2 The performance benchmarks of classic ship detection algorithm

Algorithm	AP(%)
CFAR	27.1
CFAR method based on K distribution	19.2
KSW	28.2

下载: 导出CSV

表 3 The performance benchmarks of SAR ship detection algorithms based on deep learning

Performance ranking	Algorithm	AP(%)	FPS
1	DCENN	88.1	24
2	Faster-RCNN-DR	84.2	29
3	Faster-RCNN	79.3	30
4	SSD-512	74.3	64
5	SSD-300	72.4	151
6	YOLOv1	64.7	160

下载: 导出CSV

表 4 The performance benchmarks of different scenes based on different algorithms

Performance ranking	Algorithm	Nearshore ship AP(%)	Offshore ship AP(%)
1	DCENN	68.1	96.3
2	Faster-RCNN-DR	57.6	94.6
3	SSD-512	40.3	89.4

下载: 导出CSV

App Tab. 1 AIR-SARShip-1.0 dataset information in detail

Image No.	Size	Sea condition	Scenario	Resolution (m)	Ship numbe
1	3000×3000	Level 2	nearshore	3	5
2	3000×3000	Level 0	nearshore	1	7
3	3000×3000	Level 3	offshore	3	10
4	3000×3000	Level 2	offshore	3	8
5	3000×3000	Level 1	nearshore	3	15
6	3000×3000	Level 4	offshore	3	3
7	3000×3000	Level 4	offshore	3	5
8	3000×3000	Level 1	nearshore	1	2
9	3000×3000	Level 2	nearshore	1	7
10	3000×3000	Level 1	offshore	1	50
11	3000×3000	Level 1	nearshore	1	80
12	3000×3000	Level 2	nearshore	1	18
13	4140×4140	Level 1	nearshore	1	21
14	3000×3000	Level 1	nearshore	1	15
15	3000×3000	Level 1	nearshore	1	77
16	3000×3000	Level 3	nearshore	3	13
17	3000×3000	Level 3	nearshore	3	3
18	3000×3000	Level 3	nearshore	3	2
19	3000×3000	Level 3	nearshore	3	1
20	3000×3000	Level 2	nearshore	3	7
21	3000×3000	Level 2	nearshore	3	9
22	3000×3000	Level 1	nearshore	3	14
23	3000×3000	Level 1	offshore	3	4
24	3000×3000	Level 4	offshore	3	6
25	3000×3000	Level 4	offshore	1	20
26	3000×3000	Level 2	nearshore	3	15
27	3000×3000	Level 2	nearshore	3	19
28	3000×3000	Level 1	nearshore	3	8
29	3000×3000	Level 3	offshore	3	6
30	3000×3000	Level 2	offshore	3	8
31	3000×3000	Level 1	nearshore	3	3

下载: 导出CSV

参考文献(25)

[1]	张杰, 张晰, 范陈清, 等. 极化SAR在海洋探测中的应用与探讨[J]. 雷达学报, 2016, 5(6): 596–606. doi: 10.12000/JR16124 ZHANG Jie, ZHANG Xi, FAN Chenqing, et al. Discussion on application of polarimetric synthetic aperture radar in marine surveillance[J]. Journal of Radars, 2016, 5(6): 596–606. doi: 10.12000/JR16124
[2]	REY M T, CAMPBELL J, and PETROVIC D. A comparison of ocean clutter distribution estimators for CFAR-based ship detection in RADARSAT imagery[R]. Technical Report No. 1340, 1998.
[3]	NOVAK L M, BURL M C, and IRVING W W. Optimal polarimetric processing for enhanced target detection[J]. IEEE Transactions on Aerospace and Electronic Systems, 1993, 29(1): 234–244. doi: 10.1109/7.249129
[4]	STAGLIANO D, LUPIDI A, and BERIZZI F. Ship detection from SAR images based on CFAR and wavelet transform[C]. 2012 Tyrrhenian Workshop on Advances in Radar and Remote Sensing, Naples, Italy, 2012: 53–58.
[5]	HE Jinglu, WANG Yinghua, LIU Hongwei, et al. A novel automatic PolSAR ship detection method based on superpixel-level local information measurement[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(3): 384–388. doi: 10.1109/LGRS.2017.2789204
[6]	DENG Jia, DONG Wei, SOCHER R, et al. ImageNet: A large-scale hierarchical image database[C]. 2009 IEEE Conference on Computer Vision and Pattern Recognition, Miami, USA, 2009: 248–255.
[7]	EVERINGHAM M, VAN GOOL L, WILLIAMS C K I, et al. The PASCAL Visual Object Classes (VOC) challenge[J]. International Journal of Computer Vision, 2010, 88(2): 303–338. doi: 10.1007/s11263-009-0275-4
[8]	LIN T Y, MAIRE M, BELONGIE S, et al. Microsoft coco: Common objects in context[C]. The 13th European Conference on Computer Vision, Zurich, Switzerland, 2014: 740–755.
[9]	XIA Guisong, BAI Xiang, DING Jian, et al. DOTA: A large-scale dataset for object detection in aerial images[C]. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, USA, 2018: 3974–3983.
[10]	ZHANG Yuanlin, YUAN Yuan, FENG Yachuang, et al. Hierarchical and robust convolutional neural network for very high-resolution remote sensing object detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(8): 5535–5548. doi: 10.1109/TGRS.2019.2900302
[11]	LONG Yang, GONG Yiping, XIAO Zhifeng, et al. Accurate object localization in remote sensing images based on convolutional neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(5): 2486–2498. doi: 10.1109/TGRS.2016.2645610
[12]	XIAO Zhifeng, LIU Qing, TANG Gefu, et al. Elliptic Fourier transformation-based histograms of oriented gradients for rotationally invariant object detection in remote-sensing images[J]. International Journal of Remote Sensing, 2015, 36(2): 618–644. doi: 10.1080/01431161.2014.999881
[13]	LI Jianwei, QU Changwen, and SHAO Jiaqi. Ship detection in SAR images based on an improved faster R-CNN[C]. 2017 SAR in Big Data Era: Models, Beijing, China, 2017: 1–6.
[14]	HUANG Lanqing, LIU Bin, LI Boying, et al. OpenSARShip: A dataset dedicated to Sentinel-1 ship interpretation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(1): 195–208. doi: 10.1109/JSTARS.2017.2755672
[15]	WANG Yuanyuan, WANG Chao, ZHANG Hong, et al. A SAR dataset of ship detection for deep learning under complex backgrounds[J]. Remote Sensing, 2019, 11(7): 765. doi: 10.3390/rs11070765
[16]	张庆君. 高分三号卫星总体设计与关键技术[J]. 测绘学报, 2017, 46(3): 269–277. doi: 10.11947/j.AGCS.2017.20170049 ZHANG Qingjun. System design and key technologies of the GF-3 satellite[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(3): 269–277. doi: 10.11947/j.AGCS.2017.20170049
[17]	LIU Wei, ANGUELOV D, ERHAN D, et al. SSD: Single shot MultiBox detector[C]. The 14th European Conference on Computer Vision, Amsterdam, The Netherlands, 2016: 21–37.
[18]	REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: Unified, real-time object detection[C]. 2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016: 779–788.
[19]	LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[C]. 2017 IEEE International Conference on Computer Vision, Venice, Italy, 2017: 2999–3007.
[20]	GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]. 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, USA, 2014: 580–587.
[21]	GIRSHICK R. Fast R-CNN[C]. 2015 IEEE International Conference on Computer Vision, Santiago, Chile, 2015: 1440–1448.
[22]	REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[C]. The 28th International Conference on Neural Information Processing Systems, Montreal, Canada, 2015: 91–99.
[23]	LIN T Y, DOLLÁR P, GIRSHICK R, et al. Feature pyramid networks for object detection[C]. 2017 IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, USA, 2017: 936–944.
[24]	LIU Peng and JIN Yaqiu. A study of ship rotation effects on SAR image[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(6): 3132–3144. doi: 10.1109/TGRS.2017.2662038
[25]	JIAO Jiao, ZHANG Yue, SUN Hao, et al. A densely connected end-to-end neural network for multiscale and multiscene SAR ship detection[J]. IEEE Access, 2018, 6: 20881–20892. doi: 10.1109/ACCESS.2018.2825376

施引文献

期刊类型引用(69)

1.	扈琪，胡绍海，刘帅奇. 基于多层显著性模型的SAR图像舰船目标检测. 系统工程与电子技术. 2024(02): 478-487 . 百度学术
2.	娄欣，王晗，卢昊，张文驰 . 生成式知识迁移的SAR舰船检测. 遥感学报. 2024(02): 470-480 . 百度学术
3.	刘馨嫔，王洪，赵良瑾. 基于多任务学习的近岸舰船检测方法. 计算机与现代化. 2024(03): 29-33 . 百度学术
4.	谢洪途，姜新桥，王国倩，谢恺. 基于改进CenterNet的轻量级无锚框SAR图像多尺度舰船检测算法. 哈尔滨工程大学学报. 2024(03): 504-516 . 百度学术
5.	Xueqian WANG，Gang LI，Zhizhuo JIANG，Yu LIU，You HE. Density-based ship detection in SAR images:Extension to a self-similarity perspective. Chinese Journal of Aeronautics. 2024(03): 168-180 . 必应学术
6.	赵志成，蒋攀，王福田，肖云，李成龙，汤进. 基于深度学习的SAR弱小目标检测研究进展. 计算机系统应用. 2024(06): 1-15 . 百度学术
7.	郑向涛，肖欣林，陈秀妹，卢宛萱，刘小煜，卢孝强. 跨域遥感场景解译研究进展. 中国图象图形学报. 2024(06): 1730-1746 . 百度学术
8.	曹红. 复杂场景SAR图像的船舰目标快速检测研究. 福建电脑. 2024(07): 53-57 . 百度学术
9.	郭柏麟，黄立威，路遥，张雪涛，马永强. 基于脉冲神经网络微调方法的遥感图像目标检测. 遥感学报. 2024(07): 1702-1712 . 百度学术
10.	季利鹏，孙志远，朱大奇. 基于U-Net网络结构的SAR图像去噪算法研究. 微电子学与计算机. 2024(09): 1-9 . 百度学术
11.	孟祥伟. SAR图像中舰船目标恒虚警率检测技术的研究. 电子与信息学报. 2024(09): 3739-3748 . 百度学术
12.	徐妍，孙维东，赵伶俐，黄蕾，潘飞，焦冉. 利用无锚框型深度网络的SAR船舶检测. 测绘科学. 2024(08): 100-110 . 百度学术
13.	陈文翰，朱正为，宋昌隆. 基于改进YOLOv7的SAR图像舰船目标检测方法. 电光与控制. 2024(12): 19-26+112 . 百度学术
14.	陈秋，邵长高，吕建军. 基于深度学习的海上船舶遥感识别方法对比分析. 地理空间信息. 2024(12): 74-78 . 百度学术
15.	龚峻扬，付卫红，刘乃安. SAR图像目标轮廓增强预处理模块设计. 系统工程与电子技术. 2024(12): 4010-4017 . 百度学术
16.	贾鹏，董天成，汪韬阳，张过，盛庆红，李俊. 面向星载SAR图像的双域联合密集多小舰目标检测算法（英文）. Transactions of Nanjing University of Aeronautics and Astronautics. 2024(06): 725-738 . 百度学术
17.	张弘森，徐建，吴飞，季一木，吴蔚. 基于深度学习的视觉图像舰船目标检测与识别方法综述. 指挥信息系统与技术. 2024(06): 48-63 . 百度学术
18.	刘霖，肖嘉荣，王晓蓓，张德生，喻忠军. 改进YOLOX的SAR近岸区域船只检测方法. 电子科技大学学报. 2023(01): 44-53 . 百度学术
19.	陈诗琪，王威，占荣辉，张军，刘盛启. 特征图知识蒸馏引导的轻量化任意方向SAR舰船目标检测器. 雷达学报. 2023(01): 140-153 . 本站查看
20.	张帆，陆圣涛，项德良，袁新哲. 一种改进的高分辨率SAR图像超像素CFAR舰船检测算法. 雷达学报. 2023(01): 120-139 . 本站查看
21.	曾祥书，王强，黄一飞，赵书敏，蒋忠进. 基于改进YOLOv3网络的SAR图像舰船目标检测方法. 现代雷达. 2023(02): 31-38 . 百度学术
22.	Tong ZHENG，Peng LEI，Jun WANG. A Hybrid Features Based Detection Method for Inshore Ship Targets in SAR Imagery. Journal of Geodesy and Geoinformation Science. 2023(01): 95-107 . 必应学术
23.	赵维谚，沈志，徐真，杨亮，雷明阳. 基于增强学习机制的SAR图像水域分割方法. 计算机应用与软件. 2023(05): 262-265+337 . 百度学术
24.	袁翔，程塨，李戈，戴威，尹文昕，冯瑛超，姚西文，黄钟泠，孙显，韩军伟. 遥感影像小目标检测研究进展. 中国图象图形学报. 2023(06): 1662-1684 . 百度学术
25.	曾祥书，黄一飞，蒋忠进. 基于YOLOX网络的SAR图像舰船目标检测. 雷达科学与技术. 2023(03): 255-263 . 百度学术
26.	黄泽贤，吴凡路，傅瑶，张雨，姜肖楠. 基于深度学习的遥感图像舰船目标检测算法综述. 光学精密工程. 2023(15): 2295-2318 . 百度学术
27.	姜赋坤，黄香诚，张晓波，周兴华. 基于YOLO模型的SAR舰船目标检测方法研究. 海洋技术学报. 2023(04): 14-27 . 百度学术
28.	胡国光. 基于注意力YOLO-V3的合成孔径雷达舰船检测识别一体化方法. 航空电子技术. 2023(02): 45-52 . 百度学术
29.	王智睿，康玉卓，曾璇，汪越雷，张汀，孙显. SAR-AIRcraft-1.0：高分辨率SAR飞机检测识别数据集. 雷达学报. 2023(04): 906-922 . 本站查看
30.	胥小我，张晓玲，张天文，邵子康，徐彦钦，曾天娇. 基于自适应锚框分配与IOU监督的复杂场景SAR舰船检测. 雷达学报. 2023(05): 1097-1111 . 本站查看
31.	王中宝，尹奎英. 一种无人机载高分辨率SAR图像目标快速检测方法. 指挥控制与仿真. 2023(05): 43-50 . 百度学术
32.	黄强，王钰宁，刘晓霞，胡云冰. 改进YOLOv3-SPP的SAR图像舰船目标检测. 遥感信息. 2023(05): 57-65 . 百度学术
33.	孙学娇，李俊杰，陈卫荣，严薇. 高分三号卫星助力海洋强国建设. 卫星应用. 2023(12): 20-27 . 百度学术
34.	于飞，隋正伟，邱凤婷，龚婷婷，赵旭东，刘子浩. SAR图像智能解译样本数据集构建进展综述. 网络安全与数据治理. 2023(S1): 97-105 . 百度学术
35.	张天文，张晓玲. 一种大场景SAR图像中舰船检测虚警抑制方法. 现代雷达. 2022(02): 1-8 . 百度学术
36.	黄钟泠，姚西文，韩军伟. 面向SAR图像解译的物理可解释深度学习技术进展与探讨. 雷达学报. 2022(01): 107-125 . 本站查看
37.	周玉金，谢宜壮，乔婷婷，冯杏. 基于Jetson TX2的SAR船只目标检测实现. 信号处理. 2022(02): 426-431 . 百度学术
38.	刘伟权，王程，臧彧，胡倩，于尚书，赖柏锜. 基于遥感大数据的信息提取技术综述. 大数据. 2022(02): 28-57 . 百度学术
39.	郑彤，雷鹏，王俊. 公开SAR图像目标数据集及其在深度学习中的应用综述. 航空科学技术. 2022(03): 1-10 . 百度学术
40.	王兆魁，方青云，韩大鹏. 成像卫星在轨智能处理技术研究进展. 宇航学报. 2022(03): 259-270 . 百度学术
41.	韩子硕，王春平，付强，赵斌. 联合生成对抗网络和检测网络的SAR图像目标检测. 国防科技大学学报. 2022(03): 164-175 . 百度学术
42.	张子茜，熊再立，张彪，杨琰鑫，付恩康. 基于超分辨率重建技术的遥感图像小目标检测. 东北电力大学学报. 2022(02): 33-40 . 百度学术
43.	孙显，孟瑜，刁文辉，黄丽佳，张新，骆剑承，高连如，王佩瑾，闫志远，郜丽静，董文，冯瑛超，李霁豪，付琨. 智能遥感:AI赋能遥感技术. 中国图象图形学报. 2022(06): 1799-1822 . 百度学术
44.	雷禹，冷祥光，孙忠镇，计科峰. 宽幅SAR海上大型运动舰船目标数据集构建及识别性能分析. 雷达学报. 2022(03): 347-362 . 本站查看
45.	黄琼男，朱卫纲，刘渊，李佳芯，杨莹. 基于多尺度GAN网络的SAR舰船目标扩充. 兵工自动化. 2022(07): 47-52 . 百度学术
46.	徐从安，苏航，李健伟，刘瑜，姚力波，高龙，闫文君，汪韬阳. RSDD-SAR:SAR舰船斜框检测数据集. 雷达学报. 2022(04): 581-599 . 本站查看
47.	张梓琪，王小龙. 一种基于显著性的高海况SAR图像船舶目标检测方法. 中国科学院大学学报. 2022(05): 695-703 . 百度学术
48.	肖嘉荣，刘霖，喻忠军. 基于多相水平集的SAR近岸区域密集船只分割. 无线电工程. 2022(10): 1857-1863 . 百度学术
49.	郁文贤. 自动目标识别的工程视角述评. 雷达学报. 2022(05): 737-752 . 本站查看
50.	邵文昭，张文新，张书强，王晓辉. 基于深度学习的高分辨率星载遥感影像目标检测综述. 邯郸职业技术学院学报. 2022(04): 34-37+41 . 百度学术
51.	刘畅，朱卫纲. 基于卷积神经网络的SAR图像目标检测综述. 兵器装备工程学报. 2021(03): 15-21 . 百度学术
52.	侯笑晗，金国栋，谭力宁. 基于深度学习的SAR图像舰船目标检测综述. 激光与光电子学进展. 2021(04): 53-64 . 百度学术
53.	孙忠镇，戴牧宸，雷禹，冷祥光，熊博莅，计科峰. 基于级联网络的复杂大场景SAR图像舰船目标快速检测. 信号处理. 2021(06): 941-951 . 百度学术
54.	刘畅，朱卫纲. 多尺度与复杂背景条件下的SAR图像船舶检测. 遥感信息. 2021(03): 50-57 . 百度学术
55.	周雪珂，刘畅，周滨. 多尺度特征融合与特征通道关系校准的SAR图像船舶检测. 雷达学报. 2021(04): 531-543 . 本站查看
56.	周正，崔宗勇，曹宗杰，杨建宇. 基于特征转移金字塔网络的SAR图像跨尺度目标检测. 雷达学报. 2021(04): 544-558 . 本站查看
57.	徐英，谷雨，彭冬亮，刘俊，陈华杰. 面向合成孔径雷达图像任意方向舰船检测的改进YOLOv3模型. 兵工学报. 2021(08): 1698-1707 . 百度学术
58.	韩子硕，王春平，付强. 基于深层次特征增强网络的SAR图像舰船检测. 北京理工大学学报. 2021(09): 1006-1014 . 百度学术
59.	黄琼男，朱卫纲，李永刚. 基于GAN的SAR数据扩充研究综述. 兵器装备工程学报. 2021(11): 31-38 . 百度学术
60.	周彦，陈少昌，吴可，宁明强，陈宏昆，张鹏. SCTD1.0:声呐常见目标检测数据集. 计算机科学. 2021(S2): 334-339 . 百度学术
61.	黄琼男，朱卫纲，李永刚. SAR图像舰船目标检测数据集构建研究综述. 电讯技术. 2021(11): 1451-1458 . 百度学术
62.	李永刚，朱卫纲，黄琼男. SAR图像目标检测方法综述. 兵工自动化. 2021(12): 91-96 . 百度学术
63.	常佳慧，赵建辉，李宁. 一种改进的2P-CFAR SAR舰船检测方法. 国外电子测量技术. 2021(11): 7-12 . 百度学术
64.	李晨瑄，胥辉旗，钱坤，邓博元，冯泽钦. 基于深度学习的舰船目标检测技术综述. 兵器装备工程学报. 2021(12): 57-63 . 百度学术
65.	王振东，刘思航. 多尺度特征融合技术的建筑寿命分析方法. 建筑节能(中英文). 2021(12): 126-131 . 百度学术
66.	杜兰，王兆成，王燕，魏迪，李璐. 复杂场景下单通道SAR目标检测及鉴别研究进展综述. 雷达学报. 2020(01): 34-54 . 本站查看
67.	焦军峰，靳国旺，熊新，罗玉林. 旋转矩形框与CBAM改进RetinaNet的SAR图像近岸舰船检测. 测绘科学技术学报. 2020(06): 603-609 . 百度学术
68.	付晓雅，王兆成. 结合场景分类的近岸区域SAR舰船目标快速检测方法. 信号处理. 2020(12): 2123-2130 . 百度学术
69.	张晓玲，张天文，师君，韦顺军. 基于深度分离卷积神经网络的高速高精度SAR舰船检测. 雷达学报. 2019(06): 841-851 . 本站查看