近日，我室与浙江大学联合培养的硕士研究生马泽泰以第一作者在海洋学领域首个Science合作期刊Ocean-Land-Atmosphere Research发表了题为 “Transformer-Based Hierarchical Multiscale Feature Fusion Internal Wave Detection and Dataset”的研究论文，论文通讯作者为我室杨劲松研究员，合作者包括我室联培博士生黄龙宇、任林副研究员、李晓辉副研究员、浙江大学贺双颜副教授、美国路易斯安那大学刘冰清博士、美国国家航空航天局（NASA）刘安国博士。

海洋内波的目视解译会耗费大量的时间和人力成本，此方法在面对庞大且丰富的卫星遥感数据时，准确性和效率方面均有待提高。本研究利用Swin Transformer算法改进了特征提取网络，通过多尺度特征融合网络（SFPN）将内波的视觉、语义和上下文特征融合，并结合迁移学习的方式，创新性地建立了基于Tramsformer思想的层级式的深度学习内波自动检测模型IWD-Net（图1）。

图1 图形摘要

本研究利用Sentinel-1数据构建了全球海洋内波SAR影像数据集S1-IW-2023 Dataset（图2），解决了目前缺少公开可用的海洋内波数据集的问题。数据集获取可见https://doi.org/10.5281/zenodo.11090328。

图2 Sentinel-1内波数据采集海域图。图中展示了多个本文检索内波的海域，并展示了部分数据。

为了更为直观且立体化地展示IWD-Net在网络的不同阶段对内波特征的注意力变化，增强模型的可解释性，使用针对内波特征进行优化后的Grad-CAM算法可视化，得到了一组多尺度特征热力图，如图3所示。

图3 内波多尺度特征热力图。A-D为每个Swin Transformer block后的特征图，E-H为SFPN自下而上输出的各级特征图。

在各种复杂背景中检测海洋内波是一个复杂的系统工程。为了验证本文提出的IWD-Net针对这一问题的有效性，本文对具有复杂海洋背景以及包含不同尺度、形态、传播方向的内波的全景SAR遥感影像进行了检测，检测结果如图4所示。实验结果表明，此模型具有很好的检测性能，并且在面对复杂海面干扰时仍然保持了较强的稳定性。

图4 复杂背景全景SAR影像检测。（A-F）分别展示了在不同复杂干扰下IWD-Net的检测结果。

本研究得到了国家重点研发计划（2022YFC3103101）、国家自然科学基金项目（42306200和42306216）和南方海洋科学与工程广东实验室创新团队项目（311021004）的资助。

论文引用：Ma, Z., Huang, L., Yang, J., Ren, L., Li, X., He, S., ... & Liu, A. K. (2024). Transformer-Based Hierarchical Multiscale Feature Fusion Internal Wave Detection and Dataset. Ocean-Land-Atmosphere Research, 3, 0061.DOI：10.34133/olar.0061https://spj.science.org/doi/10.34133/olar.0061

作者简介：

杨劲松 研究员 （通讯作者）

自然资源部第二海洋研究所

杨劲松，自然资源部第二海洋研究所研究员，浙江大学、上海交通大学和河海大学博士生导师，南方海洋科学与工程广东省实验室（珠海）兼职研究员。研究兴趣包括海洋微波遥感、卫星海洋学、数据融合、图像处理和人工智能海洋遥感技术等。联系邮箱：jsyang@sio.org.cn

马泽泰 硕士研究生 （第一作者）

浙江大学海洋学院、自然资源部第二海洋研究所

马泽泰，浙江大学海洋学院与自然资源部第二海洋研究所卫星海洋环境动力学国家重点实验室联合培养硕士生，研究兴趣包括计算机视觉、图像处理和人工智能海洋遥感技术等。联系邮箱：22234185@zju.edu.cn