基于 DeepSegFusion 架构的 SAR 海洋溢油检测
计算机视觉与模式识别
2026-01-21 v1
摘要
从卫星图像中检测溢油对于环境监测和海上安全都至关重要。传统的基于阈值的方法经常因风浪和船尾迹等类油现象导致的极高误报率而性能下降。本文提出了一种混合深度学习模型 DeepSegFusion，用于合成孔径雷达（SAR）图像中的溢油分割。该模型使用 SegNet 和 DeepLabV3+，并集成了基于注意力的特征融合机制，以实现更好的边界精度和上下文理解。在包括 ALOS PALSAR 图像在内的 SAR 溢油数据集上获得的结果证实，所提出的 DeepSegFusion 模型达到了 94.85% 的准确率、0.5685 的交并比（IoU）和 0.9330 的 ROC-AUC 分数。与单独的基线模型和传统的非分割方法相比，所提出的方法减少了超过三分之二的误检，实现了 64.4% 的降幅。这些结果表明，DeepSegFusion 在各种海洋条件下都是一个稳定的模型，因此可用于近实时的溢油监测场景。
引用
@article{arxiv.2601.12015,
title = {SAR-Based Marine Oil Spill Detection Using the DeepSegFusion Architecture},
author = {Pavan Kumar Yata and Pediredla Pradeep and Goli Himanish and Swathi M},
journal= {arXiv preprint arXiv:2601.12015},
year = {2026}
}
备注
12 pages, 6 figures. Submitted to arXiv. Code and dataset details included in the paper