SSDD和SSDD+

數(shù)據(jù)集論文地址
SSDD官方下載地址
參考博客

數(shù)據(jù)制作：海軍航空航天大學(xué)電子與信息工程系

1.1 基本特點(diǎn)

• SSDD給予PASCAL VOC 的數(shù)據(jù)，使用在PASCAL VOC上的代碼可以直接使用在SSDD上。
• PASCAL VOC目標(biāo)大概可以分成大中小三中目標(biāo)，而SSDD中多數(shù)為小目標(biāo)
• SSDD+的數(shù)據(jù)集相對于SSDD數(shù)據(jù)將垂直邊框變成了旋轉(zhuǎn)邊框，旋轉(zhuǎn)邊框可在完成檢測任務(wù)的同時實現(xiàn)了對目標(biāo)的方向估計

1.2 論文提要

采用PASCAL VOC的標(biāo)注格式（現(xiàn)在的官方數(shù)據(jù)集下載鏈接中也完善了COCO的標(biāo)注格式），按照7：2：1劃分了training val test

SSDD包含了多種條件下的成像結(jié)果，這可以使得檢測器的性能更加魯棒，但同時也會使得檢測器難以獲得好的檢測性能。

數(shù)據(jù)集的構(gòu)成如下：

• 其中，NoS表示圖片中艦船的數(shù)量，NoI表示圖片的數(shù)量
• SSDD總共包含1160張圖片，2456個艦船，平均每張圖片的艦船數(shù)量為2.12。雖然數(shù)量較少，但是對于但類別檢測任務(wù)來說，可以結(jié)合一些tricks防止網(wǎng)絡(luò)過擬合。
• 此外，SSDD數(shù)據(jù)集只對pixel大于3的艦船進(jìn)行了標(biāo)注
  

1.3 論文采用實驗設(shè)置

采用AP@0.7作為評價指標(biāo)：

網(wǎng)絡(luò)性能：

1.4 詳細(xì)介紹

• SSDD是通過在網(wǎng)上下載公開的SAR圖像，并將目標(biāo)區(qū)域裁剪成大小為500×500左右像素，并通過人工標(biāo)注艦船目標(biāo)位置而得的。

圖1(a)、(b)和?顯示了簡單背景(大片海域)下的小尺寸艦船目標(biāo)，對于傳統(tǒng)的以CFAR為主的檢測算法能適應(yīng)這類場景。圖1(d)、(e)和(f)顯示了復(fù)雜背景(靠岸區(qū)域)下的小尺寸艦船目標(biāo)，這些目標(biāo)背景復(fù)雜，傳統(tǒng)方法要進(jìn)行海陸分割才能進(jìn)行檢測，相比于基于深度學(xué)習(xí)的方法，會存在漏警和虛警的問題。圖1(g)、(h)和(i)是靠近碼頭密集排列的大尺寸的艦船目標(biāo)，此時傳統(tǒng)檢測方法難以檢測到這些目標(biāo)，而深度學(xué)習(xí)方法可以檢測到它們。

PASCAL VOC里的目標(biāo)大概可以分為大中小三種目標(biāo)，而SSDD中大部分都是極小或微小的目標(biāo)。PASCAL VOC長寬比大部分為1，少部分是2和3，而艦船目標(biāo)長寬比較大，這些都是將深度學(xué)習(xí)目標(biāo)檢測算法用于SAR圖像中艦船目標(biāo)檢測所需要考慮的內(nèi)容
艦船目標(biāo)長或者寬度所占圖像尺寸的比例在0.04到0.24范圍內(nèi)，比PASCAL VOC的0.2到0.9要小很多。這為改進(jìn)現(xiàn)有的深度學(xué)習(xí)目標(biāo)檢測算法提供了參考。

SSDD中長寬比的分布范圍比較廣，從0.4到3，在設(shè)計錨框(anchor box，也叫候選框或候選窗口，在Faster R-CNN論文首次提出，是指直接在最后一層的特征圖上產(chǎn)生不同尺寸和長寬比的候選窗口，將這些窗口看做潛在的目標(biāo)區(qū)域)時要做好權(quán)衡。

1.5 SSDD+

相比于SSDD，SSDD+更新了旋轉(zhuǎn)框標(biāo)注

旋轉(zhuǎn)框的優(yōu)勢：

• 第一，旋轉(zhuǎn)邊框可以完全分開艦船與背景像素。通常，垂直邊框中的很多像素不屬于船的像素，這對于區(qū)分背景和艦船區(qū)域十分不利，尤其是密集 排列的交疊非常大的艦船目標(biāo)，所以最好利用旋轉(zhuǎn)邊框來定位艦船目標(biāo)。
• 第二，旋轉(zhuǎn)邊框的寬度和高度可以顯示船的真實形狀而垂直邊框的長寬比和尺寸與船的真實形狀不一致，如圖5(b)所示。
• 第三，旋轉(zhuǎn)邊框可在完成檢測任務(wù)的同時實現(xiàn)對目標(biāo)的方位向估計(會存在180°模糊)，不需要設(shè)計單獨(dú)的艦船目標(biāo)方向估計算法。

1.6 SAR船艦?zāi)繕?biāo)檢測

深度學(xué)習(xí)在SAR圖像智能解譯領(lǐng)域具有很大的應(yīng)用潛力，可研究的方向包括小尺寸目標(biāo)檢測、錨框設(shè)計、從頭訓(xùn)練、采用斜框?qū)δ繕?biāo)檢測和實時檢測等。

小尺寸目標(biāo)檢測方法：

• 通過對數(shù)據(jù)集中目標(biāo)尺寸的統(tǒng)計分析可以看到相比于計算機(jī)視覺領(lǐng)域的數(shù)據(jù)集，SSDD中的目標(biāo)尺寸很小，因此需要重點(diǎn)研究小尺寸目標(biāo)的檢測。不巧的是，小尺寸檢測一直是比較困難的(MS COCO中大尺寸的準(zhǔn)確率比小尺寸高兩倍左右)，因為它包含的信息少，不易提取的特征。

• 為了解決這樣問題，出現(xiàn)了很多方法，包括特征融合，錨框(anchor)設(shè)計，多尺度數(shù)據(jù)訓(xùn)練等。

• 由于低層位置信息豐富，類別信息不足，高層相反，對它們進(jìn)行特征融合是常用的提高小尺寸目標(biāo)檢測效果的方法FPN。

• Augmentation for small object detection通過多次復(fù)制-粘貼小目標(biāo)來對每個圖像進(jìn)行增強(qiáng)，在小目標(biāo)的目標(biāo)檢測上提升明顯。

錨框設(shè)計方面：

• 一般要根據(jù)數(shù)據(jù)集SSDD的統(tǒng)計結(jié)果改變錨框的尺寸和長寬比，即減小錨框的尺寸，增大錨框的長寬比。
• MetaAnchor，它不像Faster-RCNN和SSD那樣采用固定的錨框設(shè)置，而是根據(jù)目標(biāo)具體情況動態(tài)生成生成各種錨框。
• CornerNet，它摒棄了Anchor，使用關(guān)鍵點(diǎn)完成定位。

從頭訓(xùn)練：

• 最近隨著何愷明的論文Rethinking ImageNet Pre-training的出現(xiàn)，又讓人對從頭訓(xùn)練有了新的認(rèn)知
• 不過毫無疑問的是從頭訓(xùn)練檢測算法特別適用于SAR圖像艦船目標(biāo)檢測，它可以靈活的設(shè)計檢測算法骨干網(wǎng)絡(luò)結(jié)構(gòu)，緩解分類與檢測任務(wù)之間的矛盾，減少參數(shù)冗余等等，這也是正在重點(diǎn)研究的內(nèi)容。

如果覺得文章不錯，歡迎點(diǎn)贊收藏評論交流，這也是不斷更新的動力！
文章來源地址http://www.zghlxwxcb.cn/news/detail-451328.html

到了這里，關(guān)于SAR艦船數(shù)據(jù)集----SSDD的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！