SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection

合成孔径雷达（SAR）目标检测因其不可替代的全天候成像能力而近年来受到了广泛关注。然而，这个研究领域面临着公共数据集有限（大多数只包含<2K张图像，且只有单一类别物体）和源代码不可访问的问题。为了解决这些挑战，我们建立了一个新的基准数据集和一个用于大规模SAR目标检测的开源方法。我们的数据集SARDet-100K是对10个现有SAR检测数据集进行了密集调查、收集和标准化的结果，为研究目的提供了一个大规模和多样化的数据集。据我们所知，SARDet-100K是首个达到COCO级别的大规模多类别SAR目标检测数据集。通过这个高质量的数据集，我们进行了全面的实验，并揭示了SAR目标检测中的一个关键挑战：在数据域和模型结构方面，RGB数据集的预训练和SAR数据集的微调之间存在显著差异。为了弥合这些差距，我们提出了一种新颖的多阶段滤波增强（MSFA）预训练框架，从数据输入、域转换和模型迁移的角度解决了这些问题。所提出的MSFA方法显著提高了SAR目标检测模型的性能，同时在不同模型之间表现出了卓越的泛化性和灵活性。本研究旨在为SAR目标检测的进一步发展铺平道路。数据集和代码可在https://github.com/zcablii/SARDet_100K上获得。

本文试图解决SAR目标检测领域存在的公共数据集有限、源代码不可访问等问题，建立一个大规模的SAR目标检测基准数据集和开源方法。

作者们建立了一个名为SARDet-100K的数据集，将10个现有的SAR检测数据集进行了调查、收集和标准化，提供了一个大规模、多样化的数据集用于研究。同时提出了一个新的多阶段滤波增强（MSFA）预训练框架，从数据输入、域转换和模型迁移等方面解决了RGB数据集预训练和SAR数据集微调之间的差异。

作者们建立了一个大规模、多类别的SAR目标检测数据集SARDet-100K，并提出了一个新的预训练框架MSFA。实验结果表明，MSFA方法显著提高了SAR目标检测模型的性能，同时在不同的模型中展现了出色的通用性和灵活性。论文提供了数据集和代码。未来工作可以进一步探索SAR目标检测领域。

SAR目标检测领域的相关研究包括：《Deep Residual Network for SAR Image Change Detection》、《SAR Image Change Detection Based on Deep Learning with Multi-Scale Features》等。