多模态鲁棒增强的沿海水域分割：系统性 HSV 引导框架
计算机视觉与模式识别
2025-09-11 v1
摘要
从卫星影像中进行沿海水域分割面临独特挑战，原因在于复杂的光谱特征和不规则边界模式。传统的基于 RGB 的方法在多样的海洋环境中常出现训练不稳定和泛化能力差的问题。本文提出了一种系统性的鲁棒增强框架，称为 Robust U-Net，利用 HSV 颜色空间监督和多模态约束来改善沿海水域分割。我们的方法整合了五个协同组件：HSV 引导的颜色监督、基于梯度的海岸线优化、形态学后处理、海域清理和连通性控制。通过全面的消融实验，我们证明 HSV 监督提供了最高的影响（0.85 影响分数），而完整框架实现了优越的训练稳定性（84% 方差降低）和增强的分割质量。我们的方法在多个评估指标上表现出一致的提升，同时保持了计算效率。为便于复现，我们的训练配置和代码可在此获取：https://github.com/UofgCoastline/ICASSP-2026-Robust-Unet。
引用
@article{arxiv.2509.08694,
title = {Multi-Modal Robust Enhancement for Coastal Water Segmentation: A Systematic HSV-Guided Framework},
author = {Zhen Tian and Christos Anagnostopoulos and Qiyuan Wang and Zhiwei Gao},
journal= {arXiv preprint arXiv:2509.08694},
year = {2025}
}