MSTAR数据集

数据集简介

MSTAR(Thdisme Moving and Stationary Target Acquis东北农业大学怎么样ition and Recognition)数据集由美国桑迪亚国家实验室(Sandia national laboratory)收集并发布[1]。MSTAR数据集包含多种目标及变体、不同的场景和观测条件、旋转角与擦地角变换。由MSTAR数据集可构建标准工作条件(Standard Operating Conditions, SOenvoyCs)和扩展工作条件(Ext外链推广ended Operating脱衣女郎 Conditon, EOCs)数据集[2]。

目前，MSTAR数据集已在SAR地面目标识别领域中广泛应用。而近几年，SOCs和EOCs的构建大多基于复旦大学徐丰教授团队在A-ConvNets[3]一文中所设置的实验，如擦地角变换、目标版本配置不同以及信噪比变化。需要指出的是，一是现有文献并未充分马蹄肾利用MSTAR数据集中所有的公开数据；二是SAR自动目标识别中需要考虑的EOCs情况远不止上述情况，包括目标苏州百度、环境和传感器等因素[4]。文献[11]详细介绍了近年来基于MSTAR数据集的实验设置和方法发展，可以发现MSTAR数据集已逐渐难以满足如今研究需求。

数据集获取与处理

MSTAR数据集的获取可以通过访问官网[1](实际上作者由于网络限制也没访问进去)，或者国内用户可通过阅读博客[5][6]进行下苹果手机丢了怎么定位载。女特工电影对于MSTAR原始数据的处理，博客[6][7]介绍了如何通过官方提供的工具进行转换，需要在Linux下进行编译，windows可使用Linux子系统方法编译。对于大多数研究者而言，博客[7]和[8]介绍了如何使用Matlab转换为图片格式以及官方工具进行的图像处理，基于此可提取复数数据。博客[9]介绍了如何在杂波背景下加入目标。对于十类目标识别，SARBake[10]提供了目标、阴影和背景的分割数据集。

数据集列表统计

以下给出MSTAR数据集的统计和介绍，以供研究者更好地利用整个数据集。MSTAR文件夹命名依次为俯仰角（DEG）、采集条件（COL1/2, Hb）、场景（SCENE, Hb）、目标（2S1）、目标变体型号。目标数据包括三个不同的地点（新墨西哥州、佛罗里达州北部和阿拉巴马州北部），其中一个地赣语点（佛罗里达北部）在一年的不同时间（5月和11月）有两个收集。所有的目标地点都是草覆盖和平坦的。数据文件分为两部分，第一部分是关于标注（ground truth）和传感器信息，第二部分犬重案组之虎曹达华是数据模块包括幅度信息和相位信息。

MSTAR-PredictLiteSoftware 可以模拟背景杂波和噪声纸牌的秘密中的浮点灰度 SAR 目标特征。 该软件允许以下四个 PUBLIC 目标的俯角和旋转角变化：T-72、BMP-2、BTR-70 和 SLICY（参考目标，可用于测试虚警率[4]）。

MSTAR-PublicClutter 杂波文件图像，包含15°下100个文件。

MSTAR-PublicMixedTargets 包含目标2S1, BRDM-2,段奕宏电影 BTR-60, D7, T62, ZIL131, ZSU-23-4,SLICY。

MSTAR-PublicMixedTargets

MSTAR-PublicT72Variants 包含T-72 变体型号。

MSTAR-PublicT72Variants

MSTAR-PublicTargetChips 包含目标T-72, BMP-2, BTR-70，SLICY训练集17度，测试集15度。

MSTAR-PublicTargetChips下载链接

以下是我们在实验中所处理的MSTAR数据，包括官方备份、使用官方工具提取的JPEG文件以及matlab提取的幅度文件。

链接：pan.baidu/s/1f_ARiGIfHjk2LFtPYl2jbA?pwd=8q87

提取码：8q87

数据集的缺陷数据偏差，具体来说MSTAR数据集具有背景相关性[11]。MSTAR数据集子程序的背景和目标类别之间具有相关性，这使得可以利用背景信息辅助识别目标类别。这是由于数据收集中的非随机因素导致的。然而，现实情况中背景与目标是不存在因果性的，这无疑会降低SAR目标识别目标在现实应用中的鲁棒王思聪微博性。据此我们提出了一种基于沙普利值的方法研究这种数据偏差对于深度学习的影响。目前来说，没有统一的预处理方法以及实验设置。不同预处理方法会影响目标和杂波特性，但目前来说这一点还没有见到专门文章讨论。文献[11]总结了不同实验类型。我们也发现不同文章在不同仿真设置是存在差异的，因此距离实际场景的差异也是值得考虑的。......参考文献The Air Force Moving and Stationary Targe绿色网站t Recognition Database. Accessed: 2014. [Online]. Available: www.sdmstmb.afrl.af.mil/index.php?collection=mstarKeydel E R, Lee S W, Moore J T. MSTAR extended operating conditions: A tutorial[J]. Algorithms for Synthetic Aperture Radar Imagery III, 1996, 2757: 228-242.Chen S, Wang H, Xu F, et al. Target classification using the deep convolutional networks for SAR images[J]. IEEE transactions on geoscience and remote sensing, 2016, 54(8): 4806-4817.Ross T D, Bradley J J, Hudson L J, et al. SAR ATR: so what's the problem? An MSTAR perspective[C]//Algorithms for Synthetic Aperture Radar Imagery VI. SPIE, 1999, 3721: 662-672.MSATR数据集_冯子材的博客-CS罗志祥身高DN博客_mstar数据集介绍 MSTAR数据集下载地址及处理方法_Zio_wh的博客-CSDN博客_mstar数据集MSTAR数据集处理_儒雅的钓翁的博客-CSDN博客_mstar数据集MSTAR数据转换成图片_罗东琦的博客-CSDN博客MSTAR数据的处理_huangshaoyin的博客-CSDN博客_mstar数据集处理data.mendeley/datasets/jxhsg8tj7g/3Kechagias-Stamatis O, Aouf N. Automatic target吹风机 recognition on synthetic aperture radar imagery: A survey[J]. IEEE Aerospace and Electronic Systems Magazine, 2021, 36(3): 56-81.