## 数据简介源数据为中国资源卫星应用中心提供的102景GF-3卫星数据及欧空局提供的108景哨兵1号卫星数据。标注数据由中国科学院空天信息创新研究院王超研究员团队制作和提供，通过对源数据进行幅度值生成，位深量化和灰度拉伸处理后，将原始16位复数数据加工为8位数字图像。通过裁剪和筛选，形成像素尺寸为256x256的船舶切片，并通过Labelme目标标注软件，为每一张船舶切片生成对应的船舶标注框信息文本。 **数据使用的要求** 1.本次比赛不允许使用平台所提供的数据之外的其他数据参与训练。 2.本次比赛旨在以产业化为导向，因此在模型训练过程中不可以使用伪标签等涉及测试集数据的技术。 ## 数据说明竞赛训练数据集中包括两类数据文件，第一类是.jpg格式的SAR影像文件，第二类是txt格式的船舶标注信息文本文件，两者通过相同的名称进行关联，名称命名规则可忽略。船舶标注信息文本文件字段说明如下表所示： | 要素项（字段） | 字段中文名称 | 字段度量单位 | 字段代码说明 | 备注 | | :--: | :--: | :--: | :--: | :--: | | 类别编号 | 无 | 无 | 无 | 0代表船舶 | | 目标矩形中心点相对横坐标 | 无 | 无 | 无 | 相对于切片大小的横坐标比例位置，范围为[0,1] | | 目标矩形中心点相对纵坐标 | 无 | 无 | 无 | 相对于切片大小的纵坐标比例位置，范围为[0,1] | | 目标矩形相对长度比例 | 无 | 无 | 无 | 相对于切片大小的比例长度，范围为[0,1] | | 目标矩形相对宽度比例 | 无 | 无 | 无 | 相对于切片大小的比例宽度，范围为[0,1] | 举例说明：txt中第一位数字0代表船舶，第二位数字计算公式为L_A/L=0.67578125，第三位数字计算公式为D_A/D=0.2890625，第四位公式为l/L=0.1484375，第五位公式为d/D=0.1015625，本次数据集中L和D均为256 ![图片3.png](https://competition-oss.dcic-china.com/files-datafountain-cn/uploads/admin/editor/2022-01-05/%E5%9B%BE%E7%89%873-625769.png)![图片4.png](https://competition-oss.dcic-china.com/files-datafountain-cn/uploads/admin/editor/2022-01-05/%E5%9B%BE%E7%89%874-145076.png) ## 提交要求 csv结果提交：针对算法竞赛，参赛者以csv文件格式，提交模型结果到大数据竞赛平台，平台进行在线评分，实时排名。目前平台仅支持单文件提交，即所有提交内容需要放在一个文件中。 ## 提交示例参赛者需要将所有模型检测结果放入一个csv文件中，命名为submission.csv，文件内容格式如下表所示：每一行为一个待检测影像的信息和结果，其中第一列存储待检测的影像名称（不包含后缀名），第二列存储检测的垂直边框信息，具体边框信息格式为[目标矩形中心点相对横坐标目标矩形中心点相对纵坐标目标矩形相对长度比例目标矩形相对宽度比例]（数字间用英文空格隔开），如果有多个垂直边框，用英文的“;”将边框信息进行分离。 ![图片1.png](https://competition-oss.dcic-china.com/files-datafountain-cn/uploads/admin/editor/2022-01-21/%E5%9B%BE%E7%89%871-164682.png) ## 评测标准本次比赛采用Average Domain Accuracy进行结果评价，对于每一幅影像，检测精度评价公式为： $$\text { Accuracyimage }=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}+\mathrm{FP}}$$ 其中，TP (True Positive)表示样本被分为正样本，且分类正确；FP (False Positive)表示样本被分为正样本，而分类错误；FN (False Negative)表示样本被分为负样本，而分类错误；根据IoU是否大于0.5这个阈值来判断预测结果属于TP还是FP，IoU 的全称为交并比（Intersection over Union），其计算公式为： $$\mathrm{IoU}=\frac{\text { Area of Overlap }}{\text { Area of Union }}$$ 如果真值中没有任何船舶垂直边框，但预测结果中有，则该幅影像的船舶检测得分为0，如果预测结果中也没有检测出船舶，则得分为1。最后所有待检测影像的检测精度取平均即为最终得分。 **特别注意：为更好的满足复现要求，本次比赛仅可选用Paddle、TensorFlow以及PyTorch三种框架。**