基于深度学习与上下文信息的SAR数据海上油膜自动检测
计算机视觉与模式识别
2022-04-14 v1 神经与进化计算
图像与视频处理
摘要
海洋表面监测，尤其是油膜检测，因其对石油勘探与生态系统风险防范的重要性已变得必不可少。多年来，该检测任务由摄影解译人员借助风等上下文数据使用合成孔径雷达（SAR）图像手动完成。这种繁琐的手动工作无法应对可用传感器收集的数据量的增长，因此需要自动化。文献报道了传统与半自动检测方法，通常聚焦于有限数据集合上源于人为（溢油）或自然（渗油）来源的某一种油膜。作为扩展，本文在包含两类油膜的广泛数据库上实现了海上油膜的自动化。它基于专业摄影解译人员在全球3个勘探与监测区域上4年间 Sentinel-1 SAR 数据的油膜标注。所有考虑的SAR图像与相关标注均对应于真实油膜监测场景。此外，系统性地计算风场估计以丰富数据集合。本文贡献如下：(i) 两种深度学习方法的性能比较：使用 FC-DenseNet 的语义分割与使用 Mask-RCNN 的实例分割。(ii) 引入气象信息（风速）被认为在性能评估中对油膜检测有价值。本研究主要结果表明深度学习方法尤其是 FC-DenseNet 在油膜检测上的有效性，其在测试集中捕获了超过92%的油膜实例。此外，性能评估中展示了模型性能与油膜尺寸、风速等上下文信息之间的强相关性。本工作为设计可融合SAR与风信息以降低误报率的模型开辟了前景。
引用
@article{arxiv.2204.06371,
title = {Deep learning based automatic detection of offshore oil slicks using SAR data and contextual information},
author = {Emna Amri and Hermann Courteille and A Benoit and Philippe Bolon and Dominique Dubucq and Gilles Poulain and Anthony Credoz},
journal= {arXiv preprint arXiv:2204.06371},
year = {2022}
}
备注
SPIE Conference on Remote Sensing of the Ocean, Sea Ice, Coastal Waters, and Large Water Regions, Sep 2021, Online, Spain