1. 数据集结构该数据集由图片数据和元数据标签两部分组成按背景杂波类型Surface分为三个子集Grass (草地):SURF_grass.csv(7056 样本)Medium (中等粗糙度):SURF_medium.csv(7056 样本)Roads (道路):SURF_roads.csv(7056 样本)总样本量: 21,168 (7056 × 3)2. 核心分类 (Ground Truth)尽管分为三个文件但它们共享相同的7 类核心目标。每类目标在每个背景下各有1008个样本完全平衡。目标类别 (Class Name):Bulldozer(推土机)Bus(巴士)Car(轿车 - 包含 Toyota, Peugeot607 等子型号)Humvee(悍马)Motorbike(摩托车)Tank(坦克)Truck(卡车)3. CSV 字段说明 (Metadata)CSV 中的每一行对应一张 SAR 图片包含以下关键元数据azimuth: 方位角 (0° - 355°步长 5°全角度覆盖)class_name:真实标签(训练分类的目标)surface: 背景类型 (grass,medium,roads)应作为干扰项处理而非分类标签model_number: 目标子型号 (例如 Tank 下有65047,86347两种型号)depression: 俯仰角 (如 15°, 45°)resolution: 分辨率标准 (如mstar)4. 映射关系一一对应: CSV 中的行号 (Index)直接对应Crop文件夹下的图片文件。逻辑: 第i行的数据描述的是第i张图片需配合文件名前缀匹配。总结建议: 在训练时请忽略surface差异直接使用class_name作为唯一的 7 分类标签以实现最佳的数据聚合效果。