DADS-SAM：利用无人机图像对DALoRA和DSCA算法进行增强细调，以提高港口油污检测的准确性

《IEEE Transactions on Geoscience and Remote Sensing》：DADS-SAM: DALoRA and DSCA Enhanced Fine-Tuning for Port Oil Spill Detection Using UAV Imagery

针对港口复杂环境下的油污检测难题，本研究提出DADS-SAM方法，基于SAM模型结合参数高效微调（PEFT），创新性地引入动态自适应低秩矩阵（DALoRA）和双尺度卷积适配器（DSCA），并设计多类分割头（MCSH）实现精准分类，显著提升检测性能。

　　

摘要：

随着港口贸易活动的日益频繁，石油泄漏事件对海洋生态系统构成了严重威胁。复杂的港口环境，具有多样化的土地覆盖类型和复杂的陆水界面，给石油泄漏检测（OSD）带来了重大挑战。为了解决这一问题，我们提出了一种基于分段任何模型（SAM）的参数高效微调（PEFT）方法，该方法利用无人机（UAV）遥感图像进行港口OSD任务。所提出的DADS-SAM方法冻结了SAM的大部分参数，仅在适配器上进行PEFT。动态自适应低秩适应（DALoRA）通过将动态自适应低秩矩阵纳入SAM编码器的自注意力模块来提高模型对港口OSD任务的适应性，而双尺度卷积适配器（DSCA）则增强了模型捕捉石油泄漏区域局部特征和空间依赖性的能力。由于原始SAM模型缺乏针对特定类别的分割能力，我们进一步设计了一个多类别分割头（MCSH）用于石油泄漏分割。该分割头从SAM解码器获取输出掩码，调整其尺寸，并通过两个线性层进行转换以生成特定类别的分割结果。据我们所知，这是首次将PEFT方法应用于港口OSD任务的研究。所提出的方法在公开可用的港口石油泄漏数据集以及通过合成孔径雷达（SAR）获取的海洋石油泄漏数据集上进行了评估。定量比较表明，DADS-SAM在所有评估指标上均优于传统方法，达到了最先进的性能水平。模型和数据可在以下链接公开获取：https://github.com/PetrichorAsh/DADS-SAM

引言

2010年，墨西哥湾深水地平线（DWH）钻井平台的爆炸和沉没引发了美国历史上最严重的海洋石油泄漏事件[1]。该事件对海洋生态系统和沿海经济造成了严重威胁，突显了快速准确的石油泄漏检测（OSD）在有效应急响应和环境保护中的关键重要性[2]、[3]。大多数研究集中在基于合成孔径雷达（SAR）数据和高光谱成像的大规模海洋OSD上[4]、[5]。基于SAR的方法主要依赖雷达后向散射特性和纹理特征进行识别，这与港口OSD的挑战和技术要求存在显著差异。这些方法主要针对开阔海域设计，在那里由于海面背景条件相对简单，因此表现良好。然而，在港口环境中，它们的有效性受到限制。特别是在波浪作用较小的港口环境中，石油泄漏通常表现为薄膜，SAR技术的效率较低，因为它无法提供有效的SAR检测所需的显著阻尼效果。相比之下，高光谱成像利用了其“将图像与光谱结合”的核心优势，能够捕获数百个连续且狭窄的光谱带中的信息。这一能力不仅使其能够检测石油泄漏，还能准确识别石油类型并对其进行半定量估算。然而，其高昂的传感器成本、庞大的数据量和复杂的数据处理流程限制了其在港口日常巡逻和应急监测中的广泛应用，而在这些场景中快速响应至关重要。港口OSD需要应对更复杂的情景，包括码头、船舶和基础设施等不同的土地覆盖类型，以及复杂的陆水界面特征。与SAR和高光谱成像相比，基于无人机的红、绿、蓝（RGB）OSD方法在成本效益、部署灵活性和实时性能方面具有显著优势。该方法的检测能力依赖于可见光图像中石油薄膜与周围水体之间形成的可区分的视觉特征，主要包括由薄膜干涉产生的特征颜色和由于表面平滑效应导致的纹理均匀化。此外，通过使用消费级硬件，该方法大大降低了技术障碍和应用成本。其高机动性实现了快速响应和按需观察，能够迅速到达事故现场。此外，RGB图像的小数据量和相对简单的处理流程使其成为实现港口环境中常规巡逻和应急OSD的最可行和高效的技术途径。