目标检测,目标识别的SAR数据集构建和标注

本文探讨深度学习在SAR图像目标检测和识别中的应用,指出数据集构建的挑战,如成本、敏感性等问题。主要基于MSTAR数据集进行研究,并介绍如何通过合成和标注创建新的SAR图像数据集,适用于rcnn、ssd和faster rcnn等网络训练。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目标检测,目标识别的SAR数据集构建和标注

本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权

欢迎关注我的博客:http://blog.youkuaiyun.com/hit2015spring
推荐一个美丽而有情怀的书店:晨凫追风

深度学习火热了很多年了,人们利用在自然光照下获取的图片数据进行目标检测和目标的识别也已经到达了一个全新的水平,但是在雷达遥感图片的识别和检测的进展还远远没有达到当前自然光照下的图片水平。深究其原因:
1、自然光下的图片数据量是巨大的,相对来说获取成本是低廉的
2、在构建数据集做研究的角度来说,一般的单位无法承担的数据集构建所需的花销
3、雷达遥感图片的研究关系到较大较敏感的军事任务,所以没有大量的数据集来做研究
4、雷达遥感图片的研究无法直接产生经济效益
所以在这一方面的研究就显得更加的少。

目前在雷达数据上面的研究,主要就是基于美国空军公开的一套MSTAR数据集,这个数据集的介绍在我的上一篇博客里面就有介绍了,详见:MSTAR雷达数据集总结

在目前对SAR图片的研究中主要是对敏感军事目标的检测和识别,图片处理的算法主要是传统的算法,主要包括了一些图像处理的算法,还有深度学习的算法,主要是基于nn的方式,在nn的方式中一个最大的问题就是对数据的获取,由于在目前公开的雷达数据中只有MSTAR数据集是用于研究的,在这里我们利用合成的方式对数据进行解析,再二次获取到包含有目标的场景图片,最后的图片标注用于人工标注后做训练,就可以获取实验所需的数据集。

<
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值