用于星载卫星海洋异常检测的半监督学习

水体面临着由多种海洋异常引起的众多环境威胁。海洋碎片可能通过缠绕摧毁栖息地并危及海洋生物，而有害藻华可能产生对海洋生态系统产生负面影响的毒素。此外，船只可能排放石油或从事非法和过度捕捞活动，造成进一步危害。这些海洋异常可以通过在多光谱卫星图像上应用训练好的深度学习（DL）模型来识别。此外，检测其他异常（如云）可能有助于过滤掉不相关的图像。然而，DL 模型通常需要大量标注数据进行训练，这可能既昂贵又耗时，特别是对于需要专家标注的海洋异常检测。一个潜在的解决方案是使用半监督学习方法，该方法也可以利用未标记数据。在这个项目中，我们实现并研究了 FixMatch for Semantic Segmentation 的性能，这是一种用于语义分割的半监督算法。首先，我们发现当标注数据量有限时，半监督模型在 0.9 的高置信度阈值下表现最佳。其次，我们比较了在不同标注数据量下半监督模型与全监督模型的性能。我们的研究结果表明，在标注数据有限的情况下，半监督模型优于全监督模型，而在大量标注数据下，全监督模型的性能略好。我们提出了两个假设来解释为什么在使用大量标注数据时全监督模型会超越半监督模型。我们所有的实验都是使用参数数量有限的 U-Net 模型架构进行的，以确保与航天级硬件的兼容性。