面向 SAR 海冰分类的数据中心视觉变换器基线
计算机视觉与模式识别
2026-04-06 v1 人工智能
摘要
准确且自动化的海冰分类对于气候监测和北极海运安全至关重要。虽然合成孔径雷达（SAR）因其全天候能力而成为操作标准，但在严重类别不平衡的情况下仍然难以区分形态上相似的冰类。本文不声称建立一个完全经过验证的多模态系统，而是建立了一个可信赖的仅使用 SAR 数据的基线，供未来与光学、热红外或气象数据融合的工作所依靠。使用 AI4Arctic/ASIP 海冰数据集（v2），其中包含 461 个与专家冰图匹配的 Sentinel-1 场景，我们结合全分辨率 Sentinel-1 Extra Wide 输入、漏泄 aware 分层 patch 切分、SIGRID-3 阶段发展标签以及训练集归一化来评估视觉变换器基线。我们比较了使用交叉熵和加权交叉熵训练的 ViT-Base 模型与使用焦点损失训练的 ViT-Large 模型。在所测试的配置中，ViT-Large 配合焦点损失在少数类别 Multi-Year Ice 类上实现 69.6% 的 held-out 准确率、68.8% 的加权 F1 分数和 83.9% 的精确率。这些结果表明，焦点损失训练在稀有冰类的精确率-召回率权衡方面优于加权交叉熵，并为未来与光学、热红外或气象数据融合奠定了更干净的基线。
引用
@article{arxiv.2604.03094,
title = {A Data-Centric Vision Transformer Baseline for SAR Sea Ice Classification},
author = {David Mike-Ewewie and Panhapiseth Lim and Priyanka Kumar},
journal= {arXiv preprint arXiv:2604.03094},
year = {2026}
}