[论文解读] OceanSAR-2: A Universal Feature Extractor for SAR Ocean Observation

Alexandre Tuel, Thomas Kerdreux+7 more|Archimer (Ifremer)|Jan 12, 2026

Ocean Waves and Remote Sensing被引用 0

一句话总结

OceanSAR-2 是一个紧凑的基于 DINOv2 的基础模型，在经校准的 sigma0 Sentinel-1 Wave Mode 数据上训练，作为通用的 SAR 海洋特征提取器，在分类、回归和检测任务中具有强大的零-shot 与微调迁移能力；它包含一个标准化的海洋 SAR 基准评测框架。

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.

研究动机与目标

• 由于数据稀缺与海洋成像物理特性，需要通用的、针对 SAR 的海洋观测基础模型以提升适用性。
• 开发 OceanSAR-2，这是一个紧凑的、原生 sigma0 的自监督模型，提升下游海洋任务的迁移能力，同时降低训练成本。
• 提出标准化、持续演进的基准数据集，以实现对 SAR 海洋应用的公平跨模型比较。
• 展示模型在模式分类、地球物理参数估计和冰山检测等任务上的迁移能力。

提出的方法

• 采用基于 DINOv2 的自监督预训练，捕捉全局图像结构与局部补丁信息（iBOT 损失），并结合 KoLeo 正则化以获得多样化表征。
• 使用经过校准的 sigma0 后向散射作为输入，而非原始 DN 振幅，以提高不同获取之间的特征一致性。
• 实现动态图样本剪枝以降低冗余、提升训练样本多样性。
• 保留 Vision Transformer 主干，补丁尺寸为 16×16，产生嵌入向量并引入类别标记以获得图像级表示。
• 在 Sentinel-1 Wave Mode SAR 数据上训练，模型规模相对较小（≈21M 参数），在保持低成本的同时实现强迁移能力。
• 提供标准化的下游基准，覆盖分类、回归和目标检测等海洋 SAR 任务。

实验结果

研究问题

• RQ1 一个原生 sigma0 的自监督 SAR 模型在无标签数据的情况下，能否学习可迁移的对多种海洋现象有用的表征？
• RQ2 OceanSAR-2 在零-shot 与微调设置下，在分类、回归（波高 SWH、风速）和冰山检测任务中的表现如何？
• RQ3 标准化、可持续更新的基准是否能实现对海洋 SAR 基础模型的有意义比较与进展跟踪？
• RQ4 对于海洋 SAR 基础模型，模型规模、训练成本与下游性能之间的权衡如何？

主要发现

• 在零-shot 模式下，OceanSAR-2 在所有基准测试中均领先于 TerraMind、WV-Net 与 DINOv3（TenGeoP 94.0% 准确率、SWH 0.52 m、Wspd 1.32 m/s）。
• 在 MLFine-tuning 模式下，OceanSAR-2 在大多数任务上获得最高或接近最高的结果，TenGeoP 98.5% 准确率、SWH 0.40 m、Wspd 1.01 m/s、Wdir 16.9 度、YOLOIB 0.865 F1。
• OceanSAR-2 需要的参数量与训练成本远低于如 DINOv3（300M），却保持了具有竞争力的性能。
• WV-Net 在 SWH（0.427–0.64 m）与风速（1.23–1.71 m/s）上具有较高竞争力，原因在于输入归一化策略（SSR），强调波浪调制动力学。
• TerraMind 在多项任务上表现不佳，可能原因是缺乏海洋 SAR 的预训练数据和 MAE 设计的局限。
• 研究表明，一个紧凑的、原生 sigma0 的骨干网可以作为海洋 SAR 图像在分类、回归和检测中的通用特征提取器。