SSL4SAR：面向合成孔径雷达遥感影像冰崩前沿提取的自监督学习
计算机视觉与模式识别
2025-07-03 v1
摘要
冰川正以前所未有的速率失去冰质，加剧了对准确、全年无缝监测的需求，以理解前缘消耗，特别是影响冰崩过程的因素。深度学习模型可从合成孔径雷达影像中提取冰崩前沿位置，以跟踪海-和湖-终止冰川的季节性质量损失。当前最先进模型依赖ImageNet预训练权重，但由于自然图像与专门的遥感影像之间的域迁移，尤其是针对合成孔径雷达影像，效果不佳。为此，我们提出两种新颖的自监督多模态预训练技术，利用SSL4SAR——一个新建的无标签数据集，包含9563幅Sentinel-1和14幅Sentinel-2 Arctic冰川影像，其中每个冰川对应一幅光学影像。此外，我们引入一种新型混合模型架构，将Swin Transformer编码器与残差卷积神经网络（CNN）解码器相结合。在SSL4SAR上预训练的该模型在"CAlving Fronts and where to Find thEm"（CaFFe）基准数据集上实现了293米的平均距离误差，超越前最佳模型67米。在对基准数据集进行多标注者研究评估后，我们的模型在集成 ensemble下的平均距离误差为75米，接近人类水平的38米。这一进展使得对冰川冰崩前沿季节性变化的精确监测成为可能。
引用
@article{arxiv.2507.01747,
title = {SSL4SAR: Self-Supervised Learning for Glacier Calving Front Extraction from SAR Imagery},
author = {Nora Gourmelon and Marcel Dreier and Martin Mayr and Thorsten Seehaus and Dakota Pyles and Matthias Braun and Andreas Maier and Vincent Christlein},
journal= {arXiv preprint arXiv:2507.01747},
year = {2025}
}
备注
in IEEE Transactions on Geoscience and Remote Sensing. arXiv admin note: text overlap with arXiv:2501.05281