SHAZAM：用于危害检测与制图的自监督变更监控
光学
2025-03-04 v1 应用物理
摘要
气候变化导致环境危害频发，凸显了有效监控系统的紧迫需求。当前方法要么依赖昂贵的标注数据集，要么在季节性变化方面表现不足，或需要多次观测才能确认（延迟检测）。为此，本工作提出 SHAZAM ——一种用于危害检测与制图的自监督变更监控方法。SHAZAM 使用轻量级条件 UNet 为任意一天该兴趣区域 (ROI) 生成预期图像，从而直接建模正常的季节性变化，并能够区分潜在危害。改进的结构相似性度量将生成图像与实际卫星观测图像进行比较，以计算区域级异常得分和像素级危害图。此外，基于理论推导的季节性阈值消除了针对数据集特定优化的需求。在包含野火、燃烧区域、极端和异常降雪、洪水、干旱、藻华和砍伐等多样化数据的四个数据集上进行评估，SHAZAM 在已有方法上实现了 0.066 至 0.234 的 F1 分数提升。这一成果主要通过更有效的危害检测（更高的召回率）实现，同时仅使用 473K 参数。SHAZAM 在更高的空间分辨率和更强的背景特征抑制能力方面显示出优异的制图能力，同时更好地突出了即时和渐进式危害。SHAZAM 已被证明是一种有效且可推广的危害检测与制图解决方案，可适用于不同地理区域和多样化的危害类型。Python 代码已公开：https://github.com/WiseGamgee/SHAZAM
引用
@article{arxiv.2503.00347,
title = {Electrically Reconfigurable Intelligent Optoelectronics in 2-D van der Waals Materials},
author = {Yu Wang and Dehui Zhang and Yihao Song and Jea Jung Lee and Meng Tian and Souvik Biswas and Fengnian Xia and Qiushi Guo},
journal= {arXiv preprint arXiv:2503.00347},
year = {2025}
}