隨著深度學習在計算機視覺（CV）領域的突破，SAR影像目標檢測領域也開始採用這些深度學習演算法，雖然和光學影像成像機理不同，但是可以借鑑CV領域的優秀演算法進行改進，目前也有很多論文展現了不錯的效果。下面針對SAR目標檢測的學習和研究，總結一些資料集並提供下載方式，方便後續的研究。
MSTAR （1996）
百度網盤 (提取碼:h2ig)
- 運動和靜止目標獲取與識別（Moving and Stationary Target Acquisition and Recognition, MSTAR）資料集，是美國國防高階研究計劃署(Defense Advanced Research Project Agency, DARPA) 和空軍研究室(Air Force Research Laboratory, AFRL) 提供的SAR影像。
- 採集該資料集的感測器為高解析度的聚束式合成孔徑雷達，該雷達的解析度為0.3m×0.3m。工作在X波段，所用的極化方式為HH極化方式。對採集到的資料進行前期處理，從中提取出畫素大小為128×128包含各類目標的切片影像。該資料大多是靜止車輛的SAR切片影像，包含多種車輛目標在各個方位角下獲取到的目標影像。
- MSTAR混合目標資料中包含十類軍事目標的切片影像，這些軍事目標分別為2S1（自行榴彈炮）、BRDM2（裝甲偵察車）、BTR60（裝甲運輸車）、D7（推土機）、T62（坦克）、ZIL131（貨運卡車）、ZSU234（自行高炮）、T72。這些目標是雷達工作在多種不同的俯仰角時，各個目標在方向上面的成像圖片。
- 資料分為標準工作條件（SOC）和擴充套件工作條件（EOC），標準工作條件是測試與訓練SAR影像目標外形配置和型號相同，僅成像時目標的俯仰角和方位角不同，擴充套件工作條件是指測試與訓練SAR影像有很大不同，主要是成像角度的改變、外形配置的變化以及型號不同。
- 除了10類軍事目標外，MSTAR資料集還提供了大幅場景SAR影像，包含森林、地面、建築等雜波，可用於目標檢測和識別。
OpenSARShip2.0 （2017）
下載連結
OpenSARShip是由上海交通大學高階感測技術中心（AST）開發的開放式SAR影像管理和處理平臺，用於SAR影像的讀取、處理、視覺化和演算法測試。
缺點：類別間樣本數量極其不均衡，難以訓練出較好的分類模型。
SAR-Ship-Dataset （2019）
下載連結
該資料集以我國國產高分三號SAR資料和Sentinel-1 SAR資料為主資料來源，共採用了102景高分三號和108景Sentinel-1 SAR影像構建高解析度SAR船舶目標深度學習樣本庫。目前，該深度學習樣本庫包含43819個船舶切片。
HRSID （2020）
下載連結
該資料集是電子科技大學在2020年1月釋出資料集，HRSID是高解析度SAR影像中用於船舶檢測、語義分割和例項分割任務的資料集。該資料集共包含5604張高解析度SAR影像和16951個ship例項。ISSID資料集借鑑了Microsoft Common Objects in Context (COCO)資料集的構建過程，包括不同解析度的SAR影像、極化、海況、海域和沿海港口。該資料集是研究人員評估其方法的基準。對於HRSID, SAR影像的解析度分別為:0.5m, 1 m, 3 m。
遙感資料集彙總連結
- https://aistudio.baidu.com/aistudio/projectdetail/882508 所有遙感資料集下載彙總
- https://blog.csdn.net/qq_27930679/article/details/110631002 遙感目標檢測資料集
- https://mp.weixin.qq.com/s/0YPA7Rxgtkbi207ZVaU7ZA 資料分享01期|遙感目標檢測資料集（更新）