library_name: transformers tags:

• resnet
• SAR
• 雷达
• 光学遥感
• 骨干网络
• 海洋
• 风场
• 哨兵1号 license: apache-2.0 pipeline_tag: 图像特征提取

OceanSAR-1模型卡

模型详情

模型描述

OceanSAR-1是OceanSAR系列首个基础模型，专为合成孔径雷达(SAR)图像分析设计，聚焦海洋观测。该模型采用创新的动态数据集剪枝策略进行训练，提升了训练效率和特征质量。

• 开发团队: Thomas Kerdreux, Alexandre Tuel @ Galeio
• 部署团队: Antoine Audras @ Galeio
• 模型类型: 视觉基础模型(ResNet50/ViT变体)
• 许可协议: Apache 2.0许可证
• 训练数据: 哨兵1号波浪模式(WV)SAR图像(2015-2024)
• 训练机制: 采用动态数据集剪枝的DINO自监督学习

用途

直接使用

本模型可作为SAR图像特征提取器，特别适用于海洋观测任务：

• SAR图像特征提取
• 下游任务迁移学习

下游应用

已在三个下游任务验证效果：

1. TenGeoP分类：SAR图像中10种地球物理现象分类
2. 有效波高估算：海浪高度预测回归任务
3. 风速预测：海面风速估算回归任务

使用方式

import torch
from transformers import AutoModel

# 加载模型
model = AutoModel.from_pretrained("galeio-research/OceanSAR-1")

# 准备SAR图像(应为单通道VV极化)
# 示例使用随机数据
dummy_image = torch.randn(1, 1, 256, 256)  # (通道, 高, 宽)

# 特征提取
with torch.no_grad():
    outputs = model(dummy_image)
    features = outputs.pooler_output  # ResNet50输出形状：(1, 2048)

训练详情

训练数据

• 数据集: 哨兵1号波浪模式SAR图像
• 时间跨度: 2015-2024
• 规模: 约1200万张图像
• 预处理:
  • 空间降采样至50米分辨率
  • 动态数据集剪枝保证多样性与平衡性
  • 验证集图像排除在训练集外

动态数据集剪枝

创新性动态剪枝策略实现：

• 最大化数据集多样性与平衡性
• 降低计算成本
• 提升下游任务表现
• 无需预训练特征提取器

评估

性能表现

在下游任务(线性探测)达到先进水平：

1. TenGeoP分类:

   • ResNet50: 75.5%准确率
   • ViT-S/16: 78.6%准确率
   • ViT-S/8: 82.1%准确率
   • ViT-B/8: 83.6%准确率

2. 有效波高估算:

   • RMSE: 0.63-0.72米(因架构而异)

3. 风速预测:

   • RMSE: 1.37-1.43米/秒(因架构而异)

商业部署或获取针对特定需求的优化模型变体，欢迎联系讨论授权与支持方案。

技术规格

硬件要求

• 建议至少8GB显存的GPU

依赖项

• PyTorch >= 1.8.0
• Transformers >= 4.30.0
• torchvision >= 0.9.0

输入规格

• 输入尺寸: 256x256像素
• 单通道(VV极化)
• 归一化像素值
• 哨兵1号波浪模式SAR图像

引用

BibTeX:

@article{kerdreux2025efficientselfsupervisedlearningearth,
  title={基于动态数据集优化的对地观测高效自监督学习},
  author={Kerdreux, Thomas and Tuel, Alexandre and Febvre, Quentin and Mouche, Alexis and Chapron, Bertrand},
  journal={arXiv预印本 arXiv:2504.06962},
  year={2025},
  eprint={2504.06962},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2504.06962},
}

致谢

本研究使用GENCI分配的IDRIS和TGCC超算资源(分配号2025-[A0171015666])。