《Marine Pollution Bulletin》：A Cross-Domain Mamba Network with joint spatial-frequency learning for robust SAR oil spill detection
编辑推荐：
SAR海洋油 spill检测面临“相似物”误判和空间-频率特征融合不足的问题，本文提出CDMNet框架，通过CDMamba块联合建模空间与频率域特征，SAPP模块聚合多尺度上下文，MFFM模块实现多层特征融合，显著提升复杂场景下油 spill的检测精度与边界划分能力。
蒲松|彭宇|钟晓静|王丽华|何远荣|李光春|齐展阳|苏华
中国厦门理工学院“数字福建”自然灾害监测大数据研究院，厦门，361024
摘要
海洋石油泄漏对生态系统构成严重威胁，这促使人们开发基于合成孔径雷达（SAR）的检测技术。然而，仍存在一些关键挑战。首先，SAR图像中普遍存在的“相似目标”表现为与石油泄漏非常相似的暗斑，使得准确识别变得复杂。其次，现有方法主要依赖于空间特征，往往忽视了频域分析的潜力。为了解决这些局限性，本文提出了跨域Mamba网络（CDMNet）以实现稳健的SAR石油泄漏检测。CDMNet采用跨域Mamba模块（CDMamba）联合建模空间和频率特征，从而提高真实石油泄漏与复杂相似目标之间的区分能力。此外，尺度感知金字塔池化（SAPP）模块通过并行池化分支捕获局部多尺度信息和全局结构信息，确保形态复杂目标的边界具有高保真度。多级特征融合模块（MFFM）将深度语义线索与细粒度空间表示相结合，以实现薄膜的精确定位和弱边界的准确划分。在SOS和M4D数据集上的定量和定性实验结果表明，所提出的CDMNet在性能上优于当前流行的方法。源代码可在以下链接获取：
https://github.com/FF7CA/CDMNet引言
海洋调节着全球气候和环境动态（D. Wang等人，2021年）。然而，人类活动的加剧导致了严重的海洋污染。在这些危害中，石油泄漏尤其具有破坏性，因为它们发生的频率高且影响范围广（Yi等人，2025年）。石油泄漏通常源于勘探、运输或储存过程中的事故，会对海洋生态系统造成长期损害。由于海洋的自我净化能力有限，此类事件往往会导致严重的生态退化。因此，快速准确的检测对于减轻环境和经济损失至关重要（Ajadi等人，2018年）。
合成孔径雷达（SAR）因其全天候、日夜成像的能力而非常适合用于石油泄漏监测（Meng等人，2024年）。在SAR图像中，石油泄漏表现为暗斑，因为石油会减弱海面的毛细波，从而降低后向散射强度（Angelliaume等人，2018年）。然而，风和波浪等自然现象也会产生类似的暗特征，称为“相似目标”。这些特征使得区分实际泄漏和虚假目标变得复杂（Alpers等人，2017年）。开发出能够区分它们的稳健技术仍然是一个关键挑战。
早期的检测方法遵循三阶段工作流程：暗斑检测、手工特征提取以及使用ANN和SVM等模型进行分类（Xu等人，2014年；Matkan等人，2013年）。这些方法严重依赖于手工特征和专家知识，因此在复杂的海洋环境中难以泛化（Garcia-Pineda等人，2009年）。特征选择的主观性和浅层网络的局限性进一步限制了它们的有效性（Fan等人，2025年；Shunzhi等人，2017年）。
深度学习（DL）显著推进了SAR石油泄漏检测的发展（Zhu等人，2017年）。全卷积网络（FCN）及其编码器-解码器架构已成为标准（Long等人，2015年）。U-Net和DeepLabv3+等模型通过跳跃连接和多尺度融合提高了检测精度（Ronneberger等人，2015年；Chen等人，2017年）。尽管取得了这些进展，但仍存在挑战（L. Wang等人，2025年）。大多数网络关注空间域信息，未能建模频域语义。此外，石油泄漏的形状不规则且边界复杂（图1）。标准架构往往无法准确分割这些模糊的边界。
最近，基于状态空间模型（SSM）的Mamba架构因其在处理全局依赖关系时的线性复杂性而受到广泛关注。Vision Mamba和RS-Mamba等变体在大规模场景理解方面表现出巨大潜力（Y. Liu等人，2024年；Zhao等人，2024年）。然而，Mamba的顺序处理特性限制了其在2D图像中的直接应用。具体来说，其一维扫描机制与石油泄漏的空间非顺序特性存在冲突，这阻碍了全局背景与并行效率的有效结合。
从信号处理的角度来看，将图像转换到频域可以揭示与石油泄漏检测相关的结构特征（Yu等人，2017年）。在SAR图像中，低频成分代表大尺度结构，而高频成分编码边界和噪声等细节（图2）。然而，现有模型缺乏闭环框架，无法利用频率线索指导空间学习，因此在异构海洋环境中的鲁棒性仍然有限。
此外，有效的多级特征融合在当前架构中仍是一个持续存在的挑战（Huang等人，2025年）。虽然深度特征提供了稳健的语义区分能力，但浅层特征保留了精细的空间细节，但对斑点噪声非常敏感（Chen等人，2024年）。最近的研究探索了先进的融合机制；然而，这些方法通常会带来较大的计算开销，从而阻碍了实时监测应用。
为了解决这些问题，本文提出了CDMNet。它采用跨域Mamba模块（CDMamba）编码器，将Mamba的长距离建模与频率分析相结合。本文还引入了尺度感知金字塔池化（SAPP）模块和多级特征融合模块（MFFM）。主要贡献如下：
- 1.
为了解决相似目标造成的歧义，本文提出了CDMamba，这是一种专门的编码器，它利用联合空间-频率建模的互补信息来提高石油泄漏的区分能力。
- 2.
为了减少小型、碎片化石油泄漏的漏检，本文设计了SAPP模块，该模块能够在保持对多尺度局部背景的敏感性的同时捕捉长距离全局结构线索，从而提高整体检测精度。
- 3.
为了改进薄油膜边界的划分，本文提出了MFFM，它通过专门的融合策略在深度语义和浅层空间细节之间建立了桥梁，从而实现了更精确的定位。
在SOS和M4D数据集上的实验表明，CDMNet的表现始终优于当前流行的方法。本文的其余部分组织如下：第2节回顾相关工作；第3节详细说明方法论；第4节展示实验结果；第5节进行讨论；第6节总结研究。
章节片段
基于CNN和ViT的石油泄漏检测方法
早期的基于CNN的方法侧重于改进边界划分和多尺度特征表示。例如，Chen等人（2016年）提出了A-ConvNet，这是一种全卷积架构，旨在减少过拟合并提高SAR目标识别的鲁棒性。同样，Singha等人（2012年）开发了一个双ANN系统，将统计特征分析与对象分类相结合，以区分石油泄漏和相似目标。后续研究重点改进了...
方法论
本节详细介绍了整个网络架构及其关键组件的设计原则。提供了数学公式，以便清晰理解所提出的方法。
Deep-SAR石油泄漏（SOS）数据集
SOS数据集（Zhu等人，2021年）由中国地质大学（武汉）的高性能空间计算智能实验室与武汉大学的RS-IDEA小组合作发布。该基准数据集包含来自两个不同地理区域的SAR图像：墨西哥湾和波斯湾。SOS-PALSAR子集涵盖了墨西哥湾，由PALSAR传感器在HH极化模式下以12.5米的空间分辨率获取。主要发现和意义
实验结果证实，CDMNet在SOS和M4D数据集上都表现出竞争力。这一优势主要归功于其集成框架，该框架有效地融合了空间域和频域表示，以分割复杂的、对比度低的石油泄漏。消融研究验证了每个组件的独特贡献：CDMamba编码器通过空间-频率交互增强了特征区分能力，SAPP模块捕获了多尺度...结论
本文提出了CDMNet，这是一种用于高分辨率SAR图像中高精度石油泄漏检测的新型深度学习框架。该框架的核心是CDMamba编码器，它旨在联合建模空间和频率信息。在此基础上，框架集成了专门的SAPP和MFFM模块以实现多尺度背景聚合。CDMamba编码器有效解决了SAR图像中的关键挑战，包括斑点噪声和低...
CRediT作者贡献声明
蒲松：撰写——审稿与编辑、初稿撰写、验证、方法论、调查、概念化。彭宇：撰写——审稿与编辑、监督、方法论、调查、概念化。钟晓静：撰写——审稿与编辑、资源管理、项目协调、数据管理。王丽华：撰写——审稿与编辑、验证、软件开发、资源管理、资金筹集、数据管理。何远荣：撰写——审稿与编辑、验证、软件开发、资源管理、
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
