Advertisement

包含3个G数据的MSTAR数据集，应用于SAR目标识别领域

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本数据集为SAR目标识别设计，含3GB多角度雷达图像，旨在提升军事装备识别精度与算法研究。 MSTAR数据集用于评估SAR图像目标识别算法的效果，并包含将文件转换为JPG和TIFF格式的代码。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 包含3个G数据的MSTAR数据集，应用于SAR目标识别领域
    优质
    本数据集为SAR目标识别设计，含3GB多角度雷达图像，旨在提升军事装备识别精度与算法研究。 MSTAR数据集用于评估SAR图像目标识别算法的效果，并包含将文件转换为JPG和TIFF格式的代码。
  • MSTAR数据集，包含十个类别
    优质
    MSTAR数据集是一套包含了十种类别目标的雷达图像集合，广泛应用于地面目标识别与分类的研究领域。 该实验数据来源于美国国防高等研究计划署（DARPA）支持的MSTAR项目所发布的实测SAR地面静止目标数据集。无论是国内还是国际上，针对SAR图像目标识别的研究大多基于此数据集进行。 采集这些数据使用的传感器是高分辨率聚束式合成孔径雷达，其分辨率为0.3m×0.3m，在X波段工作，并采用HH极化方式。经过前期处理后，从原始数据中提取出像素大小为128×128的包含各类目标的切片图像。 该数据集主要由静止车辆的SAR切片图像构成，包括多种不同车型在各个方位角下的目标图像。此数据集中包含了MSTAR计划推荐使用的训练集和测试集。其中，训练集是在雷达工作俯仰角为17度时获取的目标图像数据，并包含三大类：BTR70（装甲运输车）、BMP2（步兵战车）以及T-72坦克；而测试集则涵盖了相同类型的车辆在不同视角下的目标图像。 值得注意的是，各类别中的具体车型还存在不同的型号。尽管这些模型可能在配备上有所差异，但它们的总体散射特性相似。
  • 用于SAR图像目标检测的MSTAR数据集（共2G）
    优质
    本数据集包含用于合成孔径雷达(SAR)图像中地面车辆目标检测的MSTAR数据，总计约2GB，适用于机器学习和模式识别研究。 该数据集包含了全面的2G MSTAR数据，并不仅限于单一目标，而是涵盖了多目标的数据集合。除了图像识别外，它还非常适合用于进行目标检测的研究与应用。
  • MSTAR SAR 数据集（2.28GB）
    优质
    MSTAR SAR 数据集包含2.28GB的合成孔径雷达(SAR)影像，涵盖多种军事目标在不同视角和方位角下的高分辨率图像数据。 史上最全MSTAR数据集，百度网盘永久有效，大小为2.28GB。
  • MSTAR-10测试SAR数据集_SAR_MSTAR数据集_
    优质
    简介：MSTAR-10测试SAR数据集（SAR MSTAR数据集）是一个包含多种地面目标高分辨率合成孔径雷达图像的数据集合，广泛应用于目标识别和分类的研究中。 MSTA数据集包含了10类SAR目标的测试数据。
  • LFW数据集：人脸识别领域的经典数据集
    优质
    LFW数据集是人脸识别研究中的一个基准测试集合，包含多个人物的不同照片，广泛用于评估算法性能。 人脸识别领域经典数据集LFW包含13234张人脸图像。
  • RegDB跨领域行人重识别数据集
    优质
    RegDB跨领域行人重识别数据集是一套用于评估不同环境下行人图像匹配与识别性能的重要资源，涵盖多种光照、姿态变化场景。 Nguyen Dat Tien, Hong Hyung Gil, Kim Ki Wan 等人在2017年发表了一篇关于基于可见光和热成像身体图像组合的人脸识别系统的论文，该论文刊登在第17卷第3期上。
  • MSTAR SAR数据集汇总，含2G数据，百度网盘下载
    优质
    本资源提供MSTAR SAR数据集全面汇总，包含超过2GB的数据量。所有文件可通过百度网盘轻松获取，适用于科研与学习。 MSTAR目标检测SAR数据集汇总，包含2G数据，在百度网盘可下载。
  • SAR图像识别数据集.zip
    优质
    本资源包包含一系列用于训练和测试卫星雷达(SAR)图像自动识别算法的数据集，涵盖多种地物类型与场景。 包括源码：1. 数据集获取；2. 二进制数据集转换为图片；3. 提取特征，使用HOG和Gabor方法；4. SVM训练结果；5. 预测显示。
  • 土壤识别非阴影区域的目标检测数据集（包含857幅图像和两个类别）
    优质
    为了介绍裸土识别裸土未覆盖的目标检测数据集（采用VOC格式）的相关知识，在此先做几个基本概念的说明：VOC格式即Pascal Visual Object Classes（Pascal VOC）格式的缩写。这种基于计算机视觉的技术框架主要用于图像处理任务中的目标检测与分类工作。本研究中所使用的裸土识别裸土未覆盖的目标检测数据集采用VOC标准构建，并包含丰富的图像信息资源以支持后续的数据分析工作。具体而言，在该数据集中包含了857张高分辨率JPG图片样本及其对应的XML标签文件集合；这些标签信息被系统性地组织起来以便于后续的数据挖掘工作开展。值得注意的是，在这些图片样本中仅包含了两类物体：一类是luotu（裸土），另一类是normal（正常覆盖的土地）。研究团队或开发者通过 labelImg 工具对这些图片样本进行了边界框标注，并记录了各类别物体的具体位置信息；labelImg 是一种广泛应用于计算机视觉领域的流行工具软件平台；它不仅支持 Pascal VOC 格式的标注生成功能，并且允许用户自定义多种类型的标注样式以满足不同的应用场景需求；此外，在本项目中我们采用了基于矩形框的形式来标记各类物体实例的位置信息并赋予每个边界框所属的对象类别标识符；经过人工校验后发现该数据集中所有的边界框标记均已完成并存储在对应的 XML 文件中；因此研究人员可以通过这些高质量的手工标注结果来进行模型训练与性能评估工作；值得注意的是，在当前的研究成果中并未直接讨论所构建的数据模型及其性能指标的具体表现形式；而是强调了高质量标注资源对于机器学习算法训练的重要性；此外，在项目文档中