用于跨领域海况图像分类的蒲福几何序数学习

《Ocean Engineering》:Beaufort-geometry ordinal learning for cross-domain sea-state image classification

【字体: 大 中 小 】 时间:2026年09月22日 来源:Ocean Engineering 6.3

编辑推荐:

   •提出了一种用于海况图像的蒲福几何序数累积分布(CDF)损失函数。 •将蒲福等级标签建模为有序物理轴,而非名义类别。 •通过八种域分离协议评估跨域海况迁移。 •BGO-CDF在基线和消融实验中取得最高的平均OCS。 •序数度量揭示了相邻、严重及超出范围的蒲福等级误差。 引言

  

•提出了一种用于海况图像的蒲福几何序数累积分布(CDF)损失函数。
•将蒲福等级标签建模为有序物理轴,而非名义类别。
•通过八种域分离协议评估跨域海况迁移。
•BGO-CDF在基线和消融实验中取得最高的平均OCS。
•序数度量揭示了相邻、严重及超出范围的蒲福等级误差。

引言
准确的海况感知是智能海洋系统的根本需求。海况直接影响航行安全、航线规划、船舶能耗、海上作业和海岸监测。然而在实际操作中,在船舶或岸基相机的精确位置和观测条件下连续获取海况信息非常困难。浮标、雷达、卫星产品和数值预报虽然有价值,但可能稀疏、延迟、成本高昂或与海洋决策系统遇到的局部视觉场景不匹配。基于相机的海况识别提供了一种低成本的局部化环境信息源,它直接使用可见的海面。Vorkapic等人(2024)表明,安装在船桥上的固定摄像头拍摄的图片可用于估算蒲福等级上的局部海况。Pobar等人(2026)进一步强调,自动蒲福等级估算可以减少人工目视观察的主观性,并支持连续机载监测。

视觉海况识别的发展得到了专用数据集的支撑。Umair等人(2022)引入了MU-SSiD,一个涵盖蒲福等级B1至B4的视觉范围海况图像数据集,并使用其来基准测试用于海况识别的深度图像分类器。Vorkapic等人(2024)随后从船载视频数据中构建了UNIRI-SeaState-LL和UNIRI-SeaState-R,将视觉分类场景扩展到运行导航条件下的蒲福等级B1至B8。Pobar等人(2026)进一步扩大了UNIRI-SeaState的设置,包括更大的测试集、合成海况图像和时间投票,使该任务更接近连续导航时间部署。这些数据集还揭示了同一蒲福等级内大量的视觉变异性。其外观会随摄像头高度、观测方向、裁剪位置、船舶运动、光照、天气和海色而变化。

基于图像的海浪和海况分析方法也在同步发展。Choi等人(2020)使用二维和三维神经网络从原始海洋图像中估算有效波高。Scardino等人(2022)将卷积神经网络与光流相结合,从海岸视频记录中估算波浪和潮汐参数。Kim等人(2023)使用单目海洋视频进行波高分类,并表明时间视觉证据可以改进识别。Kwon等人(2023)研究了使用深度学习从X波段海洋雷达图像序列中预测有效波高。Xu等人(2024)关注从岸基波浪视频图像中反演近岸有效波高,引入了用于风浪和涌浪分类的ResNet-SW以及用于多因素波高回归的Inversion-Net。这些研究描绘了从基于图像的波浪参数估算到视频和雷达辅助分析的演进轨迹。专用海况数据集通过支持在真实采集条件下进行类别化的蒲福等级识别来补充这些工作。

海洋雷达分析的互补发展为这一领域提供了进一步的背景。Yang和Huang(2022)提出了一种基于变分模态分解的方法,从X波段雷达图像中估算有效波高。他们从雷达子图像中提取本征模态函数,并使用选定的幅值调制分量进行波高提取。Yang和Huang(2024)随后开发了SWHFormer,这是一个基于Vision Transformer的框架,用于从X波段航海雷达图像中估算有效波高。其基于注意力的表征捕获了海面杂波模式中的长程依赖关系。Huang和Yang(2026)将雷达图像分析扩展到海洋波浪分类和波向估算。他们结合局部二值模式、Tamura特征和Laws纹理能量特征与支持向量机,以区分涌浪主导、风浪主导和混合波浪条件。基于雷达的波浪状态分类与基于相机的蒲福等级识别在传感机制和预测目标方面有所不同。然而,这些研究表明海面图像包含对海洋环境感知具有物理意义的线索。

尽管取得了这些进展,当前的视觉海况识别仍然面临一个根本性的跨域挑战。Vorkapic等人(2024)报告称,当模型在视觉海况数据集之间迁移时,性能会出现大幅下降。他们将这种下降归因于摄像头位置、摄像头高度和图片裁剪的差异。这种行为与分布漂移研究的广泛证据一致。Hendrycks和Dietterich(2019)表明,常见的损坏和扰动可以显著降低神经网络的可靠性。Sagawa等人(2020)证明,高平均准确率可以与糟糕的最坏组泛化能力并存。Koh等人(2021)引入了WILDS来跨应用领域基准测试真实的分布漂移。Gulrajani和Lopez-Paz(2021)进一步通过DomainBed表明,由于许多提出的方法在仔细选择模型时并不能持续超越经验风险最小化,因此域泛化仍然难以验证。Zhou等人(2023)将域泛化总结为从源域学习并泛化到未见过的目标分布。

一个自然的应对方法是使用更强的视觉编码器。残差网络仍然是图像识别的标准卷积基础,因为残差学习能够实现深度模型的有效优化(He等人,2016)。MobileNetV2提供了一种适用于资源受限或实时部署的轻量级架构(Sandler等人,2018)。Vision Transformer为图像引入了基于块片的Transformer识别(Dosovitskiy等人,2021)。Swin Transformer通过层级位移窗口注意力改进了基于Transformer的视觉(Liu等人,2021),而XCiT引入了跨协方差注意力以提高视觉Transformer的效率(Ali等人,2021)。DeiT III表明,经过仔细训练的ViT风格模型在监督学习下可以具有很强的竞争力(Touvron等人,2022)。ConvNeXt证明了现代化卷积网络仍然可以与基于Transformer的设计相媲美(Liu等人,2022)。这些架构可以提供强大的海面特征,但它们本身并不能解决目标标签的结构问题。

关键问题在于蒲福等级标签是有序的物理状态,而非无关的名义类别。对于真实的B3图像预测B4是一个局部误差,而对于同一图像预测B8则是一个严重的偏差。标准的交叉熵无法编码这种区别,因为所有非目标类别都通过相同的名义分类机制来处理。因此,一个模型可能获得可接受的精确准确率,但仍然产生对操作解释不利的非局部蒲福等级误差。Pobar等人(2026)通过报告一类内的准确率、平均绝对误差和最大蒲福等级误差来解决这一问题。这些度量通过预测和实际状态之间的距离来区分误差。然而,在大多数海况图像研究中,蒲福等级的有序结构仍然主要在评估期间处理,而不是直接嵌入到训练目标中。

深度序数学习为解决这一不匹配提供了原则性的基础。McCullagh(1980)建立了有序响应变量的累积链接模型,表明序数结果需要超越名义分类的结构。Díaz和Marathe(2019)提出通过编码类别邻近性到目标分布中来为序数回归创建软标签。Cao等人(2020)通过CORAL框架为神经网络引入了排名一致的序数回归。Vargas等人(2020)将深度序数分类与累积链接模型联系起来。Shi等人(2023)提出了CORN,它使用条件概率进行排名一致的序数预测。Wen等人(2023)将序数标签分布学习表述为将有序标签视为结构化分布。Bérchez-Moreno等人(2025)后来发布了dlordinal,反映了深度序数分类工具的日益成熟。

评估必须遵循相同的有序逻辑。精确准确率是有用的,但它无法区分一个等级的误差与跨越蒲福轴的严重偏差。Cohen(1968)引入了加权kappa来考虑不等的分歧严重性。Yilmaz和Demirhan(2023)专门研究了用于序数多类分类的加权kappa度量。Rainio等人(2024)更普遍地强调,评估指标必须与监督学习任务和决策问题相匹配。Binotto和Delgado(2025)进一步论证,当目标量表包含区间信息时,应调整序数度量。对于蒲福等级海况识别,这意味着精确准确率应与平均绝对误差、一类内准确率、二次加权kappa、容差曲线、有序混淆矩阵和严重误差率相配合。这些度量可以揭示错误是物理上局部的还是操作上严重的。

为了解决这一问题,本研究提出了一种用于跨域海况图像分类的蒲福几何序数累积分布学习框架。如图1所示,共享视觉骨干网络首先编码海面图像,提取局部纹理、波浪边缘模式、白浪、泡沫和全局粗糙度等线索。生成的logits随后被传递到蒲福几何序数层,其中八个蒲福状态被表示为有序中心,而非独立的类别索引。在训练期间,真实的蒲福等级标签被转换为几何感知的软序数目标及其累积目标分布。所提出的BGO-CDF目标沿有序蒲福轴比较预测的累积分布与目标累积分布。跨越多个蒲福边界的概率质量转移会比分配给邻近状态的概率质量受到更大的惩罚。在推理时,仅用于训练的目标分支和CDF差异被移除。预测的海况直接通过b?=arg max_k p_k从概率分布中获得。这种设计使序数机制成为学习目标的内在组成部分,而非依赖集成投票、时间聚合、基于规则的后备或事后校正。

本研究的贡献有四点。首先,它将视觉蒲福海况识别重新表述为序数学习问题,而非名义八类任务。其次,它引入了一种蒲福几何累积分布目标,使训练与海况标签的有序结构对齐。第三,它在涵盖域内识别、船载跨域迁移和向MU-SSiD的外部域迁移的八种域分离协议下评估该方法。这些协议评估了在视觉域漂移下的源域准确率和序数一致性。第四,它结合了OCS、MAE、QWK、容差曲线、有序混淆矩阵和误差距离组成。这种评估区分了精确识别、相邻不确定性和严重的蒲福等级偏差。

节选片段

数据来源与评估设计
本研究调查了域漂移下的图像级蒲福海况分类。每个输入样本是一个单独的海面图像,每个目标是一个蒲福等级海况标签。蒲福等级在世界气象组织海洋气象编码和观测实践中已标准化(世界气象组织,2019)。在这里,它被视为有序物理轴,而非一组无关的类别。

使用两个视觉海况数据来源。第一个是UNIRI-SeaState

评估理由与与公开骨干基线的全面比较
评估同时考虑精确识别和误差沿蒲福轴的距离。B3到B4的误差是相邻的,而B3到B8的误差是严重的偏差。这种区别动机了任务定义、域分离评估和下面使用的距离感知度量。

任务的序数性质在图2中总结。图2(a)中的代表性海面图像表明,蒲福等级并非任意视觉类别,而是反映了……的进展

结论
本研究提出了BGO-CDF,一种用于跨域海况图像分类的蒲福几何序数累积分布学习框架。该方法没有将蒲福等级视为独立的图像类别,而是将它们表示为有序物理轴,并优化跨蒲福边界的累积概率一致性。该模型在涵盖域内识别、船载跨域迁移和外部域……的八种域分离协议下进行了评估

CRediT作者贡献声明
Guyong Zhang:撰写—审阅与编辑,项目管理,方法论,调查,资金获取,正式分析。Zihao Wang:撰写—审阅与编辑,撰写—原稿,软件,资源,项目管理,资金获取,数据管理,概念化。Yang Zhang:验证,软件,调查,正式分析,数据管理。Yuhang Wang:可视化,监督,调查,数据管理。Jiuyang Cang:软件,调查,

利益冲突声明
作者声明,他们没有任何已知的竞争财务利益或个人关系,这些利益或关系可能被认为对本文报告的工作产生了影响。

致谢
本工作部分由国家自然科学基金(524B2148,52325108)、中国科协青年精英人才培养计划—博士研究生专项、大连市科技人才创新支持政策—高层次创新团队项目401(2024RG011)以及大连理工大学计算中心提供的计算支持资助。

Guyong Zhang | Zihao Wang | Yang Zhang | Yuhang Wang | Jiuyang Cang
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号