基于 Sentinel-2 的沿海区域海洋垃圾大规模检测
计算机视觉与模式识别
2023-07-06 v1
摘要
检测和量化海洋污染与大型塑料垃圾是一个日益紧迫的生态问题，直接影响生态与人类健康。量化海洋污染的尝试通常依赖于稀疏且昂贵的海滩调查，难以大规模开展。在此，遥感可通过定期监测与检测沿海区域的海洋垃圾，提供塑料污染的可靠估计。沿海区域的中分辨率卫星数据易于获取，可用于检测包含塑料垃圾的海洋垃圾聚集。本工作中，我们提出一种基于深度分割模型的海洋垃圾检测器，在像素级别输出海洋垃圾的概率。我们使用多个标注的海洋垃圾数据集组合训练该检测器，并在专门选定的测试站点上评估，这些站点检测到的海洋垃圾极有可能存在塑料污染。我们从定量与定性上证明，基于多源数据训练的这一深度学习模型大幅优于此前在旧数据集上训练的现有检测模型。我们的实验表明，与以数据为中心的 AI 原则一致，这一性能源于我们特定的数据集设计——广泛采样负例并精炼标签——而非依赖于特定的深度学习模型。我们希望加速海洋垃圾大规模自动化检测的进展，这是迈向以遥感在全球尺度量化和监测海洋垃圾的一步，并在 https://github.com/marccoru/marinedebrisdetector 发布模型权重与训练源代码。
引用
@article{arxiv.2307.02465,
title = {Large-scale Detection of Marine Debris in Coastal Areas with Sentinel-2},
author = {Marc Rußwurm and Sushen Jilla Venkatesa and Devis Tuia},
journal= {arXiv preprint arXiv:2307.02465},
year = {2023}
}
备注
in review