MGPNet:重新思考多层面的特征和全球关注,使用预先训练的SAR漏油检测模型进行SAR漏油检测
Shaokang Dong1, Jiangfan Feng2
1Chongqing Engineering Research Center of Spatial Big Data Intelligent Technology, Chongqing University of Posts and Telecommunications, Chongqing, 400065, China; School of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing, 400065, China.
Marine pollution bulletin
|November 23, 2025
概括
使用合成孔径雷达 (SAR) 图像的海洋石油泄漏检测得到了MGPNet的改进. 这种新型网络有效地解决了有限的数据,相似混和外观变化,以准确监测海洋环境.
科学领域:
- 遥感 遥感 遥感 遥感
- 海洋学 海洋学 海洋学
- 人工智能的人工智能
背景情况:
- 海洋石油泄漏造成了严重的生态损害.
- 合成孔径雷达 (SAR) 图像对于发现石油泄漏至关重要.
- 现有的基于SAR的方法面临诸如有限的数据集,相似干扰和可变的目标外观等挑战,阻碍了准确性.
研究的目的:
- 提出一个新的网络,MGPNet,用于从SAR图像中增强漏油检测.
- 解决现有方法的局限性,包括数据稀缺性和类似物质的干扰.
- 提高海上石油泄漏检测的准确性和稳定性.
主要方法:
- 开发了MGPNet,这是一个包含多个规模特征和全球关注的新型网络.
- 使用预训练模型来优化编码器并减轻有限的训练数据问题.
- 引入了MFSF和GMFSF块,以捕获多个尺度的特征,抑制无关紧要的信息,并增强特征表示,防止外观类似干扰.
- 设计了一种新的多尺度特征连接块,以取代传统的跳过连接,以便在解码过程中更好地恢复细节.
主要成果:
- MGPNet在三个公共SAR漏油检测数据集 (PALSAR,Sentinel,M4D) 上实现了最先进的性能.
- 证明了显著的mIoU (平均交叉路口超过欧盟) 收益:PALSAR的0.59%,Sentinel的0.93%,M4D的4.24%.
- 验证了MGPNet在克服有限数据和外观相似物质等挑战方面的有效性.
结论:
- MGPNet提供了一种强大而准确的解决方案,用于使用SAR图像检测海洋石油泄漏.
- 拟议的网络架构有效地处理多尺度特征和全球关注,以改善检测.
- MGPNet在海洋环境监测和石油泄漏应对方面显示出实践应用的巨大潜力.
