SAGPNet:一种形状感知和适应性条形自我注意引导的渐进网络,用于SAR海上油污泄漏检测

科学领域:

• 环境监测 环境监测
• 遥感 遥感 遥感 遥感
• 海洋污染 海洋污染

背景情况:

• 海洋石油泄漏是污染的主要来源,破坏生态系统.
• 使用合成孔径雷达 (SAR) 精确检测漏油是环境保护的关键.
• 小油污目标和类似的物体 (

研究的目的:

• 开发一种先进的深度学习模型,用于在SAR图像中准确检测海洋油污泄漏 (MOSD).
• 为了应对小目标尺寸和小目标尺寸的挑战.

主要方法:

• 提出了一个形状感知和适应性条形自我注意力引导的进步网络 (SAGPNet).
• 实施了一种渐进式策略,以尽量减少在下采样过程中的信息损失.
• 重新设计了U-Net编码器,采用形状感知多尺度特征提取和自适应条式自我注意模块 (ASSAM).
• 使用ASSAM进行全球特征提取,以指导后续阶段并保存上下文信息.
• 设计了一个关节损失函数来处理像素失衡.

主要成果:

• 与最先进的方法相比,SAGPNet在MOSD中表现优越.
• 该模型有效地提取形状,多尺度和全球特征.
• 保护关键的上下文信息减轻了下方采样引起的数据损失.
• 关节损失函数有效地解决了像素失衡问题.

结论:

• 在SAR图像中,SAGPNet对于海上石油泄漏检测非常有效.
• 拟议的架构成功地解决了MOSD传统语义细分网络的局限性.
• 形状意识和注意力引导的方法提高了小和具有挑战性的目标的检测.