SARDet-100K：面向大规模 SAR 目标检测的开源基准与工具包

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备受关注。然而，该研究领域面临公开数据集有限（大多包含少于 2K 张图像且仅有单一类别目标）且源代码不可获取的问题。为了应对这些挑战，我们建立了一个新的基准数据集和一种用于大规模 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 检测数据集进行深入调研、收集和标准化的结果，为研究目的提供了大规模且多样化的数据集。据我们所知，SARDet-100K 是首个达到 COCO 级别的大规模多类 SAR 目标检测数据集。利用这一高质量数据集，我们进行了全面实验，并揭示了 SAR 目标检测中的一个关键挑战：在 RGB 数据集上进行预训练与在 SAR 数据集上进行微调之间，在数据域和模型结构上存在显著差异。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这些问题。所提出的 MSFA 方法显著提升了 SAR 目标检测模型的性能，同时在多种模型上展现出卓越的泛化能力和灵活性。这项工作旨在为 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 获取。