面向无序 SAR 油污检测的内存增强 SAM2 —— OilSAM2
计算机视觉与模式识别
2026-03-12 v1
摘要
从合成孔径雷达 (SAR) 影像中分割油污仍具有挑战性，主要due to 严重的外观变异、尺度异构性以及在实际监控场景中缺乏时间连续性。虽然基于分段 (SAM) 的基础模型如 Segment Anything 能够实现提示驱动分割，但现有的基于 SAM 的方法仅针对单张图像，无法有效在多个场景之间重用信息。内存增强型变体 (如 SAM2) 进一步假设时间一致性，使得在应用于无序 SAR 图像集合时容易出现语义漂移。我们提出 OilSAM2，一个为无序 SAR 油污监控量身定制的内存增强分割框架。OilSAM2 引入分层感知多尺度内存银行，显式建模纹理、结构和语义层面的表示，实现稳健的跨图像信息重用。为缓解内存漂移，我们进一步提出了基于语义差异和结构变化的选择性内存更新策略。实验在两个公开的 SAR 油污数据集上表明，OilSAM2 实现了最先进的分割性能，在噪声 SAR 监控场景下交付稳定且准确的结果。源代码可在 https://github.com/Chenshuaiyu1120/OILSAM2 上获取。
引用
@article{arxiv.2603.10231,
title = {OilSAM2: Memory-Augmented SAM2 for Scalable SAR Oil Spill Detection},
author = {Shuaiyu Chen and Ming Yin and Peng Ren and Chunbo Luo and Zeyu Fu},
journal= {arXiv preprint arXiv:2603.10231},
year = {2026}
}