面向近实时海洋油污检测：基于量子辅助 SVM 的 SAR 图像方法
量子物理
2026-05-19 v1 机器学习
摘要
海洋油污事件需要迅速检测以减轻严重的生态和经济损失。虽然卫星合成孔径雷达（SAR）提供了essential的全天候监测能力，但分析此类数据仍具有挑战性。深度学习模型往往需要大量数据集并具有较高的延迟。为此，本文开发了一种基于像素级量子辅助支持向量机（Quantum-Assisted Support Vector Machine, QSVM）的集成方法。通过量子退火技术优化单个弱SVM的支持向量，这些弱SVM在小数据子集上训练，然后通过经典方法进行聚合。该方法在Sentinel-1影像上进行评估，分别采用量子仿真和物理量子硬件进行实验。量子辅助管道实现的性能相当于严格的经典基准，分别获得了0.60的交并比（IoU）和0.89的平衡准确率。此外，针对基于量子门的计算方法进行了补充实验，虽然退火方法在推理效率方面具有优势，但两种方法在分段准确率上表现相似。进一步在 Strait of Hormuz（哈迪德半岛）的独立油污图像上进行了泛化性测试，表明所训练的管道对不同地理区域的油污事件具有良好的可迁移性。这些结果表明，量子辅助的分割管道可用于近实时的环境监测。
引用
@article{arxiv.2605.17217,
title = {Toward Near-Real-Time Marine Oil Spill Detection in SAR Imagery using Quantum-Assisted SVM},
author = {Joseph Strauss and Jyotsna Sharma},
journal= {arXiv preprint arXiv:2605.17217},
year = {2026}
}