自监督论文阅读笔记 Self-supervised learning-based oil spill detection of hyperspectral images

        遥感领域的溢油监测 已经成为 探测污染区域的 空间分布 的热门技术。然而，以往的研究主要集中在监督检测技术上，这需要大量高质量的训练集。为了解决这一问题，本文提出了一种自监督学习方法，从未标记的高光谱数据中 学习深度神经网络 用于溢油检测，

        该方法包括三个部分：数据增强、无监督深度特征学习 和 溢油检测网络。

• 首先，原始图像用光谱 和 空间变换 增强，以提高自监督模型的鲁棒性。
• 然后，在没有标签信息的增强数据上训练深度神经网络，以产生高级语义特征。
• 最后，将训练好的参数转移到神经网络分类器中获得检测结果，并利用 对比损失 对学习参数进行微调，以提高该方法的泛化能力。

在10个溢油数据集上进行的实验表明，与其他高光谱检测方法相比，该方法具有良好的检测性能。

---

        近年来，随着石油泄漏频率的增加，大量原油泄漏到海洋中，严重威胁着海洋生物和人类的生存环境[1]。 2010年，位于墨西哥湾的Deepwater Horizo​​n钻井平台发生爆炸，导致490万桶原油流入墨西哥湾。石油泄漏污染了多种沿海物种。据估计，仅在 2010 年就有多达 65000 只濒临灭绝的海龟死亡，主要是由于石油污染。 2011年，蓬莱19-3油田在渤海湾发生溢油事故，造成7桶多桶石油泄漏到渤海湾，约6200平方公里海域受到污染。如果溢油不能及时清理，油膜很容易被海浪冲向海岸，造成火灾、沿海养殖、产盐等严重负面影响。因此，有必要 快速检测 海洋表面溢油的空间分布，为溢油清理和政府决策提供便利。

        遥感 已成为 检测溢油区域 的重要技术。与其他遥感数据相比，高光谱图像不仅提供了详细的空间信息，而且记录了更精细的光谱信息。这种独特的特性使其 更有效地区分溢油和海水[2-8]。

        在过去的几十年中，已经研究了许多溢油检测方法[9-14]，大致可分为四类：基于光谱分类器的方法、基于光谱匹配的方法、手工特征提取方法 和 深度学习模型。

---

        在复杂的海面中，捕获的高光谱图像 通常会受到 图像噪声、太阳闪烁 和 阴影 等多种损害因素的破坏，严重影响后续检测性能。为了缓解这个问题，一些学者开发了高光谱图像恢复方法，并将光谱分类器 应用于 重建的数据， 来进行漏油检测。

        1. 光谱分类器 主要包括 支持向量机（SVM）、随机森林（RF）和 多项逻辑回归（MLR）。例如，Yang 等人 [9] 将 SVM 分类器 应用在恢复的高光谱图像上实现溢油检测，其中恢复图像是通过对原始图像进行 小波变换 和 三个不同的滤波器来 去除图像噪声 和 太阳闪烁 而得到的。在参考[10] 中，RF分类器 对选定的光谱指数进行，以获得油污图。在参考[11] 中，提出了一种 纹理感知的全变分方法 来消除原始图像的阳光闪烁，并利用 SVM分类器 检测海面溢油。

        2. 基于光谱匹配的方法 旨在测量 给定光谱 与 所有候选光谱 之间的 光谱相似性。例如，Liu 等人 [12] 提出了一种 新的光谱曲线形状 匹配方法，其中将一阶和二阶光谱导数相结合，以测量参考光谱 与 观察光谱之间的匹配度。在参考 [13]中，提出了一种 传统的自适应余弦估计方法 来自动检测溢油区域。

        3. 手工特征提取方法 旨在 从原始图像中 提取浅层空间特征，然后使用光谱分类器，这有利于 去除图像噪声 和 阴影。在过去的几十年里，研究人员主要集中在利用 传统机器学习技术 进行溢油检测的发展[14-16]。例如，Song 等[14] 应用 小波变换 来增加 薄油膜 和 厚油膜 的光谱特性差异，将低频系数 作为后续任务的 敏感波段。 Liu 等人 [15] 研究了一种用于 溢油检测 的决策树框架，其中 最小噪声分数 用作特征提取器。 Song 等人 [16] 使用 主动轮廓模型 来表征输入的光谱空间特征，这有助于减少太阳闪烁和阴影对海洋表面的干扰。

       4.  此外，近年来，许多深度学习模型 也被应用于高光谱图像的溢油检测[17-21]。这些方法可以提取原始图像的 深层语义特征，表现出更鲁棒的检测性能。例如，Wang 等人 [17] 开发了一种用于海洋溢油检测的 光谱空间集成网络，其中一维 和 二维卷积神经网络 (CNN) 模型 用于提取光谱空间特征。 Zhu 等人 [18] 研究了几种深度学习模型的 油膜分类性能，包括反向传播