[논문 리뷰] OceanSAR-2: A Universal Feature Extractor for SAR Ocean Observation

Alexandre Tuel, Thomas Kerdreux외 7명|Archimer (Ifremer)|2026. 01. 12.

Ocean Waves and Remote Sensing인용 수 0

한 줄 요약

OceanSAR-2는 보정된 시그마0 Sentinel-1 Wave Mode 데이터에 대해 훈련된 컴팩트한 DINOv2 기반 기초 모델로, 분류, 회귀, 탐지 작업에서 강한 제로샷 및 미세조정 전달성을 갖춘 보편적 SAR 해양 특징 추출기로 작동하며, 표준화된 해양 SAR 벤치마크 프레임워크를 포함한다.

ABSTRACT

We present OceanSAR-2, the second generation of our foundation model for SAR-based ocean observation. Building on our earlier release, which pioneered self-supervised learning on Sentinel-1 Wave Mode data, OceanSAR-2 relies on improved SSL training and dynamic data curation strategies, which enhances performance while reducing training cost. OceanSAR-2 demonstrates strong transfer performance across downstream tasks, including geophysical pattern classification, ocean surface wind vector and significant wave height estimation, and iceberg detection. We release standardized benchmark datasets, providing a foundation for systematic evaluation and advancement of SAR models for ocean applications.

연구 동기 및 목표

• 데이터 부족과 해양 특화 이미징 물리로 인해 해양 관측을 위한 보편적이며 SAR-특화된 기초 모델의 필요성을 촉진한다.
• sigma0-native 자가지도 학습 모델인 OceanSAR-2를 개발하여 다운스트림 해양 작업으로의 전달을 개선하고 학습 비용을 줄인다.
• SAR 해양 응용 분야에서 공정한 교차 모델 비교를 가능하게 하는 표준화되고 진화하는 벤치마크 데이터세트를 제안한다.
• 패턴 분류, 지구물리 매개변수 추정, 빙상 탐지에서 모델의 전이 능력을 입증한다.

제안 방법

• 글로벌 이미지 구조와 로컬 패치 정보를 모두 포착하기 위해 KoLeo 정규화로 다양한 표현을 촉진하는 iBOT 손실이 포함된 DINOv2 기반 자기지도 사전학습 채택.
• Raw DN 진폭이 아닌 보정된 sigma0 역산을 입력으로 사용하여 취득 간 특징 일관성을 개선한다.
• 중복을 줄이고 학습 샘플의 다양성을 촉진하기 위해 동적 데이터 프루닝을 구현한다.
• 패치 크기 16x16의 비전 트랜스포머 백본을 유지하여 이미지 수준 표현을 위한 임베딩과 클래스 토큰을 생성한다.
• 강력한 전달을 달성하면서 비용을 낮게 유지하기 위해 상대적으로 작은 모델 크기(약 21M 매개변수)로 Sentinel-1 Wave Mode SAR 데이터에서 학습한다.
• 분류, 회귀, 물체 탐지를 아우르는 해양 SAR를 위한 표준화된 다운스트림 벤치마크를 제공한다.

실험 결과

연구 질문

• RQ1 시그마0-네이티브 자가지도 SAR 모델이 라벨링 데이터 없이도 다양한 해양 현상에 대한 전달 가능한 표현을 학습할 수 있는가?
• RQ2 제로샷 및 미세조정 설정에서 OceanSAR-2가 분류, 회귀(SWH, 바람), 빙상 탐지 과제에서 어떻게 성능을 발휘하는가?
• RQ3 표준화된, 살아있는 벤치마크가 해양-SAR 기초 모델의 의미 있는 비교와 진전 추적을 가능하게 하는가?
• RQ4 해양 SAR 기초 모델의 모델 크기, 학습 비용, 다운스트림 성능 간의 트레이드오프는 어떤가?

주요 결과

• 제로샷 모드에서 OceanSAR-2는 TerraMind, WV-Net, DINOv3(TenGeoP 94.0% 정확도, SWH 0.52 m, Wspd 1.32 m/s) 대비 모든 벤치마크에서 최고 성능을 달성한다.
• MLFine- tuning 모드에서 OceanSAR-2는 대부분의 과제에서 최고 혹은 근접한 성능을 보이며, TenGeoP 98.5% 정확도, SWH 0.40 m, Wspd 1.01 m/s, Wdir 16.9도, YOLOIB 0.865 F1를 달성한다.
• OceanSAR-2는 DINOv3(300M)와 같은 대형 모델에 비해 훨씬 적은 매개변수(21M)와 학습 비용을 필요로 하지만 경쟁력 있는 성능을 유지한다.
• WV-Net은 입력 정규화 전략(SSR)을 통해 파의 변조 역학을 강조하므로 SWH(0.427–0.64 m) 및 바람(1.23–1.71 m/s)에서 매우 경쟁력 있다.
• TerraMind는 해양-SAR 사전 학습 데이터의 부족과 MAE 기반 설계 때문인지 모든 과제에서 성능이 뒤처진다.
• 본 연구는 컴팩트하고 시그마0-native 백본이 SAR 해양 영상에서 분류, 회귀, 탐지를 아우르는 보편적 특징 추출기로 작동할 수 있음을 입증한다.