Ice-FMBench：面向海冰类型分割的基础模型基准
机器学习
2026-02-11 v2 计算机视觉与模式识别
摘要
准确分割和绘制海冰类型对安全的极地航行、离岸作业和气候监测至关重要。虽然深度学习已显示出在自动化海冰类型分割方面的强大潜力，但其成功往往依赖于大量专家标注数据集，而这既耗时又耗费资源。然而，近期通过在大规模数据集上进行自监督训练得到的基础模型（FMs）已展现出惊人的性能。然而，其针对合成孔径雷达（SAR）图像的海冰类型分割适用性尚不确定，这是由于海冰所特有的挑战，如复杂的地理学图案、显著的季节性变化以及 SAR 特有的干扰（如条纹、螺旋和异构回波），以及 polar 区域 SAR 数据常采用与低纬度地区FM训练数据截然不同的专用传感器模式，这限制了其直接可迁移性到极地环境。为此，我们贡献：（1）IceFMBench，一个用于评估基于 Sentinel1 SAR 图像的海冰类型分割任务中最新遥感 FMs 的全面基准框架，其中 IceFMBench 由广泛使用的标准化数据集、多样化的评估指标以及一组适用于海冰类型分割的代表性遥感 FM 模型组成，能够将新模型与现有模型并列进行评估；（2）使用 IceFMBench 对代表性 FMs 进行广泛的比较评估，并通过案例研究评估表现最好的模型在时空迁移性方面的性能；（3）一种多教师知识蒸馏方法，以解决时空迁�移性不足的问题。
引用
@article{arxiv.2503.22516,
title = {Ice-FMBench: A Foundation Model Benchmark for Sea Ice Type Segmentation},
author = {Samira Alkaee Taleghan and Morteza Karimzadeh and Andrew P. Barrett and Walter N. Meier and Farnoush Banaei-Kashani},
journal= {arXiv preprint arXiv:2503.22516},
year = {2026}
}