基于光谱掩膜超像素动态自适应知识蒸馏的海洋溢油检测方法

为解决标记样本稀缺制约深度学习在海洋溢油检测中的潜力问题，研究人员提出动态自适应知识蒸馏方法DAKD-SMS，通过光谱指数掩膜超像素自动提取未标记数据的空谱特征，结合3D数据转换和动态ViT网络，在三个数据集上实现最高98.84%的检测精度，显著提升复杂海洋环境下溢油边界的识别能力。

　　

随着海洋运输业的快速发展，溢油污染事故频发，每年约1000万吨油污进入海洋，对生态系统造成毁灭性打击。传统遥感技术如可见光-近红外光谱（VNIS）和合成孔径雷达（SAR）受限于天气干扰和低分辨率，而高光谱成像（HSI）虽能提供4 nm级光谱精度，却面临标记数据匮乏和复杂空谱特征提取的瓶颈。现有深度学习方法如1D-CNN和ViT（Vision Transformer）难以平衡全局特征捕获与计算效率，且缺乏针对溢油光谱特性的自适应学习机制。

为解决这些问题，中国研究人员提出动态自适应知识蒸馏方法DAKD-SMS。该方法创新性地将六种标准溢油光谱指数（如NDVI、NDTI等）转化为特征掩膜，快速生成超像素分割区域，并通过空间-光谱联合距离（SSJD）计算未标记样本与目标类的相似度，生成软标签集。核心采用动态ViT网络，集成块注意力、网格注意力和通道注意力模块，结合可变形大核注意力（D-LKA）解码器，显著提升薄油层和复杂边界的识别能力。实验表明，该方法在模拟数据集、深水地平线数据集和Hyperion数据集上分别达到98.84%、93.63%和96.67%的准确率，优于3DCNN、GSCViT等对比模型。

关键技术包括：1）基于光谱指数的超像素生成；2）动态ViT网络架构；3）尺度自适应知识蒸馏；4）3D空谱数据增强。数据集涵盖旋翼低空航拍、固定翼高空航拍和卫星遥感三种场景，任务涉及油-水分离、油类细粒度分类和油膜厚度分割。

方法论
DAKD-SMS通过3D数据变换将HSI转换为空谱立方体，动态ViT网络采用超越自注意力的机制，结合光谱指数超像素和区域自适应蒸馏策略，实现未标记数据的特征优化。

数据集与评估指标
实验使用模拟数据集、深水地平线数据集和Hyperion数据集，对比3DCNN、MAFN等方法，在少量标记样本下验证模型鲁棒性。

溢油指标与结果图
可视化结果显示，DAKD-SMS能准确区分油膜与类油干扰物（如藻类、船舶尾迹），尤其在薄油层（<0.1 mm）检测中表现突出。

结论
该研究首次将光谱指数掩膜与知识蒸馏结合，解决了标记数据稀缺下的空谱特征提取难题。动态ViT网络和D-LKA模块的创新设计，为复杂海洋环境监测提供了新范式。

讨论
DAKD-SMS的优越性源于其对溢油特异性光谱特征的深度挖掘，以及自适应学习机制对多尺度变化的兼容性。未来可扩展至多源遥感数据融合，进一步提升实时监测能力。研究获国家重点研发计划（2023YFC3108300）等资助，成果发表于《Marine Pollution Bulletin》。