基于少样本学习的浅水珊瑚礁检测技术，结合机载激光雷达水深测量数据

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Shallow-water reef detection driven by few-shot learning with airborne LiDAR bathymetry

　　苏殿鹏|毕广禄|杨安修|熊晓庆|王春晓|王振辉|杨凡林|高涵
山东科技大学测绘与地理信息学院，中国青岛市266590

摘要
浅水珊瑚礁在确保航行安全和支持海洋水产养殖方面发挥着重要的科学和实际作用。然而，传统的检测方法（如船载声纳和多波束回声测深）在实现高精度检测时面临显著挑战。这些挑战源于复杂的珊瑚礁形态以及与无人水面船只相关的搁浅风险。相比之下，机载激光雷达测深（ALB）提供了一种有效的替代方案，能够在广阔的空间范围内进行非接触式的高精度测量。本研究提出了一种基于少量样本学习的检测方法，该方法利用ALB数据来应对浅水珊瑚礁检测中遇到的形态多样性和训练样本有限的问题。我们在改进的“You Only Look Once 10”（YOLOv10）框架基础上进行了开发，加入了跨尺度注意力模块（CSAM）以增强特征感知和表示能力。此外，还采用了一种联合训练策略来提高模型的适应性。该策略将数据增强与元学习相结合，以确保在少量样本情况下的鲁棒性。所提出的方法使用在中国青岛胶州湾收集的ALB数据进行了验证。实验结果表明，在少量样本条件下（10个样本），该方法的精确度达到了97.9%，召回率达到了98.4%，显示出比现有算法更优越的检测准确性和稳定性。这些发现为海洋工程和环境监测应用中的高精度浅水珊瑚礁检测奠定了可靠的技术基础。为了进行基准测试和重现性验证，构建的ReefFeat-Img数据集及所提出方法的源代码可在以下链接公开获取：https://github.com/biguanglu350/FSAM-YOLO.git

引言
海底珊瑚礁是浅水区域中的显著地貌特征，对海上航行构成了重大威胁。这些区域通常具有丰富的海洋生物多样性和高生态价值。高分辨率的水下测绘对于监测这些敏感的底栖生境至关重要（Allouis等人，2010年）。同时，准确的珊瑚礁检测是更新航海图和避免海上事故的关键前提（Zhai等人，2012年）。因此，它们在水文测量和航行安全保障中发挥着不可或缺的作用。然而，传统的大型珊瑚礁检测方法在浅海岸水域面临严重限制。多波束回声测深（MBES）在浅水区域效率较低，并使测量船只面临碰撞珊瑚礁的风险（Narayanan等人，2011年）。相反，卫星遥感受到水体透明度和基底变化性的限制，只能穿透一个塞奇盘深度，无法提供高精度的测深数据（Zhao等人，2017年）。因此，开发适用于浅海环境的可靠且高精度的珊瑚礁检测技术已成为海洋测量和测绘研究的重要焦点。
机载激光雷达测深（ALB）为浅水目标检测提供了新的技术手段（Doneus等人，2013年）。作为一种新兴的测深技术（Shen等人，2017年），ALB具有密集的点采样、高效的运行能力和强大的移动性（Slocum等人，2020年）。其快速部署能力在动态海岸环境中特别有效（Schwarz等人，2019年）。它还能可靠地获取高精度的水下地形信息（Yang等人，2023年）。此外，ALB能够无缝地绘制陆水过渡区的地形图，有效检测深度可达塞奇盘深度的2.5倍（Guo等人，2022年）。得益于这些固有的技术优势，ALB数据已被广泛应用于水下目标检测和海底基底分类（Eren等人，2018年）。为了支持基底识别，Xing等人（2019年）提出了一种深度自适应ALB波形分解方法来准确提取回波特征。Cottin等人（2009年）利用ALB波形和地形特征对海底类型进行分类，强调了波形参数在水下分类中的重要性。Weinmann等人（2015年）提出了一种自动多功能3D点云框架，整合了多种几何特征和高效分类器以实现高精度分类。Su等人（2019年）开发了一种结合ALB波形和深度特征的珊瑚礁提取算法，从而提高了分类准确度。Niemeyer等人（2014年）提出了一种基于激光雷达的目标检测方法，该方法融入了上下文特征，显著增强了复杂场景中的边界识别和类别区分能力。Janowski等人（2022年）通过结合ALB波形特征和几何参数实现了海底基底的高精度自动分类。Tabassum等人（2025年）提出了一种基于BiLSTM的架构，通过ALB波形对水下环境进行分类。然而，其在不同水体透明度下的通用性仍需进一步研究。尽管如此，ALB在复杂海底环境中仍存在局限性。当面对背景杂乱且形态多样的珊瑚礁时，传统方法容易出现高遗漏率。这突显了需要强大的特征提取机制的紧迫性。

深度学习的进步为珊瑚礁检测开辟了新的可能性（Li等人，2020年）。当前的目标检测方法大致可以分为两阶段和一阶段两种范式（Zhao等人，2020年）。两阶段方法的代表是Faster R-CNN框架。Ren等人（2017年）开发的Faster R-CNN整合了区域提案网络，提高了检测效率和准确性，在复杂的水下环境中表现出强大的鲁棒性。在此基础上，Zeng等人（2021年）将Faster R-CNN与遮挡对抗网络结合起来，进一步提高了其对背景干扰的抵抗力。一阶段方法的代表是“You Only Look Once”（YOLO）系列模型。Redmon等人（2016年）提出YOLO，将目标检测重新定义为统一的回归问题。Yu等人（2021年）针对侧扫声纳图像优化了YOLOv5，通过对架构的改进提高了小目标检测能力。Wang等人（2024年）取消了非最大值抑制步骤，并在YOLOv10中引入了双标签分配，同时保持了计算效率并保留了关键检测特征。随后，研究人员进一步探索了网络架构优化和检测策略改进。Cheng等人（2014年）提出了一种基于部分检测器集成的多类目标检测框架，证明了其在性能上的有效性和优越性。Li等人（2024年）引入了结合双向特征金字塔的双注意力机制，有效增强了小目标检测中的噪声抑制和多尺度特征融合。Ku等人（2025年）提出了LAE-Transformer，通过ALB波形对水下环境进行分类。然而，其通用性仍需进一步验证。尽管如此，ALB在复杂海底环境中的应用仍面临挑战。

少量样本学习为在有限标注样本下的目标检测提供了新的范式（Xin等人，2024年）。迁移学习方法代表了当前的研究方向，主要包括度量学习（Koch等人，2015年）、元学习和图神经网络（Huisman等人，2021年）。度量学习方法通过测量样本对之间的距离来对未标注样本进行分类。然而，在极度稀缺的标注数据情况下，它们的性能受到限制（Li等人，2022年）。图神经网络通过消息传递迭代聚合邻域特征，以模拟样本之间的复杂相关性（Gao等人，2023年）。然而，深层网络容易引起过度平滑，影响模型捕捉长距离依赖性的能力。Munkhdalai等人（2017年）提出了元网络，这些网络在任务间学习元级知识，并通过快速参数化调整归纳偏差以实现快速泛化。此外，Zhang等人（2023年）分析了预训练检测器中的组件，提出了一种适用于少量样本地理空间目标检测的高效迁移学习框架。然而，少量样本学习方法与标准深度学习模型之间存在性能差距（Wang等人，2020年）。这种差距主要涉及特征表示能力和检测准确性（Hospedales等人，2022年）。

总之，浅水珊瑚礁检测仍面临重大挑战。ALB能够实现高精度的浅水测绘（Huang等人，2003年），而深度学习在特征建模方面具有显著优势（Kalinicheva等人，2022年）。然而，复杂的珊瑚礁形态和有限的标注样本极大地限制了它们的实际应用效果。传统的深度学习模型严重依赖大量标注数据，并在少量样本条件下性能下降（Song等人，2023年）。同时，现有的少量样本学习方法缺乏足够的表示能力，无法充分利用ALB数据中的波形和地形特征。因此，结合深度学习和少量样本学习的优势已成为在有限标注样本下实现高精度检测的有效解决方案。

为应对浅水环境中复杂珊瑚礁形态和样本有限带来的挑战，本研究提出了一种基于ALB数据的少量样本学习驱动的检测方法。本文的主要贡献包括：
•提取并选择最佳的波形和地形特征，将其规范化为特征图像，然后构建专用数据集。
•提出了一种结合多种增强技术、增强一致性正则化（ACR）和元学习的联合训练策略，以在样本有限的情况下提高模型泛化能力。
•设计了一种名为Few-Shot Attention Meta-YOLO（FSAM-YOLO）的模型，该模型包含二维注意力模块，以应对复杂珊瑚礁形态并提高检测准确度。

**算法框架**
基于ALB数据的少量样本浅水珊瑚礁检测方法的整体工作流程如下所示（见图1）：
(1) 提取九种波形特征和五种地形特征，然后构建一个基于Relief-F的特征选择模型，保留贡献值超过定义阈值的特征，将这些选定的特征规范化为特征图。
(2) 为了解决数据稀缺和少量样本学习中的泛化问题，采用了数据增强模型不可知的方法。

**实验数据**
实验数据来自中国山东省青岛市的胶州湾区域，该海岸带的地理范围如图6(a)所示。该区域珊瑚礁发育丰富，为研究浅水珊瑚礁检测提供了有利条件。在本实验中，使用由上海光学精密机械研究所自主开发的Mapper 20KU无人机搭载的激光雷达系统收集了ALB数据。

**讨论**
为阐明改进机制，本研究从两个关键角度分析了模型，包括训练稳定性和泛化能力。进行了系统评估，以量化关键模块对整体性能的贡献和相互作用。

**结论**
为了解决少量样本浅水珊瑚礁检测的挑战，本文提出了一种基于ALB数据的新颖少量样本目标检测方法。将所提出的算法应用于真实ALB数据集，并通过分类准确性评估和比较分析对其性能进行了评估，得出以下结论：
(1) 为了解决浅水珊瑚礁不规则且高度多变的形态问题，将CSAM引入检测框架中，改进了模型的性能。

**作者贡献声明**
苏殿鹏：监督、概念化、方法论、撰写——审稿与编辑。
毕广禄：方法论、软件、可视化、撰写——初稿、审稿与编辑。
杨安修：验证、可视化、撰写——审稿与编辑。
熊晓庆：调查、撰写——审稿与编辑。
王春晓：方法论、撰写——审稿与编辑。
王振辉：撰写——审稿与编辑。
杨凡林：方法论、数据管理、资源获取、验证、撰写——初稿。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

**致谢**
本工作得到了国家自然科学基金重点实验室开放项目（42406186）、中国博士后科学基金会（2021 M700155）、山东省自然科学基金会（ZR2023QD050）、山东省高等教育青年科技创新计划项目（2023KJ088）、青岛市关键技术研究及产业化示范项目（23-1-3-hygg-1-hy）、青岛市自然科学基金会（24-8-4-zrjj-2-jch）的支持。