ATRNet-STAR：面向野外遥感目标识别的大规模数据集与基准

缺乏公开的、大规模的、高质量的合成孔径雷达自动目标识别（SAR ATR）数据集，显著阻碍了快速发展的深度学习技术在该领域的应用，这些技术有巨大的潜力，旨在解锁该领域的新能力。这主要是由于收集来自雷达图像中大量多样目标样本在成本上昂贵，主要由于隐私 concerns、微波雷达成像特性以及数据标注需要专业专业知识。历届SAR ATR研究仅有少数小规模数据集，主要包括舰船、飞机、建筑物等目标。仅有一辆车辆数据集MSTAR收录于1990年代，是SAR ATR的宝贵来源。为填补这一空白，本文引入了规模为ATRNet-STAR的大规模新数据集，包含40种不同车辆类别，收集于各种真实成像条件和场景下。它在数据集规模和多样性方面实现了实质性的进步，包含超过190,000个已标注样本，规模是其前身——著名MSTAR的10倍。构建如此大型数据集是一个具有挑战性的任务，数据收集方案将详述。其次，我们通过在该数据集派生的具有挑战性的分类和检测基准上，对15个具有代表性的方法进行广泛评估。最后，基于我们的广泛实验，我们确定了SAR ATR的宝贵见解，并讨论了该领域的潜在未来研究方向。我们希望ATRNet-STAR的规模、多样性和基准显著促进SAR ATR的发展。