摘要

全球不可持续的捕鱼做法对海洋资源和生态系统构成了重大威胁。识别那些未在传统监测系统中出现的船只——即所谓的“暗船”（dark vessels）——对于管理和保障海洋环境的健康至关重要。随着基于卫星的合成孔径雷达（SAR）成像技术和现代机器学习（ML）的发展，现在可以实现全天候、昼夜自动检测暗船。然而，SAR图像需要特定领域的处理，并且在机器学习社区中并不广泛可用。海上物体（船只和近海基础设施）相对较小且分布稀疏，这给传统的计算机视觉方法带来了挑战。我们介绍了用于训练机器学习模型以检测和表征SAR图像中的船只和海洋结构的最大标注数据集。xView3-SAR 包含了来自Sentinel-1任务的近1,000张分析就绪的SAR图像，平均每张图像大小为29,400×24,400像素。这些图像通过自动化和人工分析相结合的方式进行了标注。每张SAR图像都附有共定位的水深图和风况栅格数据。我们还概述了xView3计算机视觉挑战赛，这是一项利用xView3-SAR进行大规模船舶检测和表征的国际竞赛。我们发布了数据（https://iuu.xview.us/）和代码（https://github.com/DIUx-xView），以支持这一重要应用领域中机器学习方法的持续开发和评估。