基于深度学习的海上平台目标检测及合成训练数据的影响

近期及持续进行的海洋基础设施扩建，包括离岸风力发电场、石油和天然气平台、人工岛屿及海洋养殖设施，凸显了有效监测系统的需求。开发健全的海上基础设施检测模型依赖于全面且平衡的数据集，但在样本稀缺，尤其是针对欠代表的目标类别、形状和尺寸时，效果不佳。通过使用合成与真实 Sentinel-1 卫星影像（源自 2023 年第四季度，来自西哈努克海、南中国海、刚果湾及巴西海岸四个地区）训练深度学习-based YOLOv10 目标检测模型，本研究探讨了合成训练数据如何提升模型性能。我们通过将模型应用于检测三大未见地区（墨西哥湾、北海及波斯湾）中的海上平台来评估该方法，从而评估地理可迁移性。该区域留置评估表明，模型能够超越训练区域进行泛化。在总计检测 3529 座海上平台后，北海检测到 411 座，墨西哥湾检测到 1519 座，波斯湾检测到 1593 座。该模型实现了 0.85 的 F1 分数，纳入合成数据后提升至 0.90。我们分析了合成数据如何增强不平衡类别的表征以及整体模型性能，首次步伐 toward 实现海上基础设施的全球可迁移检测。本研究强调了均衡数据集的重要性，并指出合成数据生成是解决遥感领域常见挑战的有效策略，展示了深度学习在可扩展的全球海上基础设施监测中的潜力。