全面集成的MobileUNet:一个改进的U-Net架构,用于SAR漏油检测
Yi-Ting Chen1, Lena Chang2,3, Jung-Hua Wang1,4
1Department of Electrical Engineering, National Taiwan Ocean University, Keelung 202301, Taiwan.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
一个新的深度学习模型FA-MobileUNet显著改善了合成光圈雷达 (SAR) 图像中的石油泄漏检测. 这种先进的模型准确地区分了石油泄漏与相似的,提高了海洋环境监测.
科学领域:
- 遥感 遥感 遥感 遥感
- 海洋环境监测 海洋环境监测
- 人工智能的人工智能
背景情况:
- 石油泄漏对海洋生态系统构成重大威胁.
- 合成孔径雷达 (SAR) 图像对于检测石油泄漏至关重要,但将它们与相似物区分开来是具有挑战性的.
- 在SAR图像数据集中的类别不平衡使海洋目标准确的多类别分类器的培训变得复杂.
研究的目的:
- 开发一种轻量级的深度学习模型,以在SAR图像中改进漏油检测.
- 加强对各种海洋目标的特征提取能力,包括石油泄漏及其类似物.
- 解决多目标SAR图像分析中类不平衡和准确分类的挑战.
主要方法:
- 提出了一个基于U-Net的轻型模型,命名为全规模聚合移动UNet (FA-MobileUNet).
- 利用MobileNetv3作为U-Net编码器骨干,以实现高效的功能提取.
- 集成的Arous空间金字塔聚合 (ASPP) 和卷积块注意模块 (CBAM) 用于多尺度特征提取和计算效率.
- 从编码器中聚合了全尺度特征,以提高网络的特征提取能力.
主要成果:
- 在检测五种海洋目标类型时,FA-MobileUNet实现了超过80%的平均交叉点 (mIoU).
- 在石油泄漏方面获得了75.85%的IOU分数,在相似物方面获得了72.67%,相应地超过了原来的U-Net模型18.94%和25.55%.
- 与其他语义细分模型相比,在SAR图像中将黑暗区域分类为油污泄漏或相似的图像中表现出卓越的准确性.
- 与现有模型相比,验证了优越的检测性能和计算效率.
结论:
- FA-MobileUNet模型有效地增强了多尺度特征的提取和集成,以准确检测海洋目标.
- 拟议的模型在区分石油泄漏与SAR图像中的相似物方面取得了重大进展.
- 通过SAR数据,FA-MobileUNet提供了一种计算效率高,准确的解决方案,用于使用SAR数据监测海洋石油泄漏.
