SARShift-Det：跨数据集与成像退化下的 SAR 舰船检测

围绕 SAR 舰船检测的跨数据集偏移，研究三教师一致伪标签与目标域适应，并通过成像退化和近岸场景分析模型的稳健性。

• 技术与任务计算机视觉
• 应用方向信息与人工智能 · 工程与智能制造 · 能源与环境

项目亮点

• 伪标签为什么需要多教师一致
• 目标域适应怎样使用无标签图像
• 稳健性要拆到具体场景

数据与任务

在一套雷达图像上学会找船，换到另一套图像后还能识别吗？这个项目研究目标检测走出训练分布后的变化，把数据集偏移、近岸背景和成像退化放进同一条实验主线。

先说清楚，它到底在做什么

HRSID 提供源域训练、验证和测试图像，SSDD 提供 928 张无标签目标域训练图与 232 张测试图。源域和目标域的成像方式与背景不同，港口结构、岸线和弱小舰船会让检测器面对新的混淆。

搞懂它，你能在面试里讲清楚什么

伪标签为什么需要多教师一致

三个独立教师先分别预测，至少两个教师在位置上达成一致、且满足置信度条件的候选框才进入融合。这样可以把孤立误检与稳定目标区分开，再用加权框融合形成训练标签。

目标域适应怎样使用无标签图像

目标域图像本身没有人工训练标注，学生模型学习的是经过筛选的伪标签。三教师流程形成 811 张图像上的 1,536 个候选框，关键是同时关注标签覆盖率和误检传播。

稳健性要拆到具体场景

实验比较跨数据集检测、近岸与离岸目标，以及 18 类成像退化。在指定 A3→B1 适应设置中，三种子 mAP@0.5:0.95 从 0.363 提升到 0.386；这项结果对应目标域适应条件，其他退化条件需要分别看图表。

怎样阅读实验与配图

结果图适合用于说明“哪些船更容易漏检、伪标签保留了什么、适应后改变在哪里”。技术文档将总体指标与真实样例放在一起，使检测性能的变化能够回到具体目标与背景中解释。

面试与答辩可以怎样准备

教师一致性怎样判断，为什么还需要置信度门槛？

无标签目标域训练怎样避免接触测试标注？

整体 mAP 提升时，近岸小目标是否也获得改善？

配套讲解材料围绕整体思路、关键步骤与结果解读展开，并提供面试问答与简历表达参考。准备时可以先按流程说明输入和输出，再选一个样例解释方法，最后用结果图回答具体问题。简历描述结合实际参与内容调整，配图可以放入 PPT 模板组织汇报。

配套资料

技术文档从任务背景、数据组织讲到模型与实验，再结合图表解释结果，包含面试问答和项目表达参考。下面展示正文选页，便于了解讲解内容与图文组织。

代码覆盖数据处理、核心方法和实验分析。下面是实际源码中的关键函数节选，可以结合文档中的流程与公式阅读，再沿输入、计算与输出理解具体实现。

适合谁

遥感、电子信息、计算机视觉与海洋信息方向，适合希望理解目标检测与域适应实验设计的同学。 项目资料可用于学习、选题交流与面试答辩准备；沿着数据、方法、实验和解释逐步掌握，形成能够独立讲清楚的项目经历。