OceanMAE：面向海洋遥感的基石模型
计算机视觉与模式识别
2026-04-10 v1 人工智能
摘要
准确的海洋制图对于浅海地形估计、海底特征描述、海洋垃圾检测和生态系统监测等应用至关重要。然而，海洋遥感（RS）受限于标注数据稀缺以及模型主要在以陆地为主的地球观测图像上预训练的迁移性较差的问题。本文提出OceanMAE，一种针对海洋的掩码自编码器，通过在自监督学习中融合多光谱Sentinel-2观测数据与物理意义上的海洋描述符，扩展了标准MAE预训练方法。通过融入这些辅助海洋特征，OceanMAE旨在从大规模无标签数据中学习更具信息性和海洋感知的潜在表征。为将这些表征迁移到下游应用，我们进一步采用基于修改U-Net的框架进行海洋分割和浅海地形估计。在Hydro数据集上预训练的OceanMAE在MADOS和MARIDA上用于海洋污染物和碎片分割，在MagicBathyNet上用于浅海地形回归。实验表明，OceanMAE在海洋分割任务上取得最强的提升，而浅海地形估计的改进则具有竞争性且取决于具体任务。此外，针对MARIDA上的标准MAE进行的消融实验表明，在预训练期间融入辅助海洋描述符可提高下游分割质量。这些发现凸显了面向海洋遥感的物理信息驱动和领域对齐自监督预训练的重要价值。代码和模型权重已公开提供于 https://git.tu-berlin.de/joanna.stamer/SSLORS2。
引用
@article{arxiv.2604.08171,
title = {OceanMAE: A Foundation Model for Ocean Remote Sensing},
author = {Viola-Joanna Stamer and Panagiotis Agrafiotis and Behnood Rasti and Begüm Demir},
journal= {arXiv preprint arXiv:2604.08171},
year = {2026}
}