[论文解读] SymmetricNet: A mesoscale eddy detection method based on multivariate fusion data

Zhenlin Fan, Guoqiang Zhong|arXiv (Cornell University)|Sep 30, 2019

Underwater Acoustics Research参考文献 29被引用 4

一句话总结

本文提出SymmetricNet，一种基于深度学习的中尺度涡旋检测方法，通过采用具有侧向跳跃连接和空洞卷积的对称U-Net架构，融合多变量海洋数据（海面高度、海面温度和海洋流速），在新型多变量融合数据集上实现了97.06%的准确率，显著优于依赖单变量输入的先前方法。

ABSTRACT

Mesoscale eddies play a significant role in marine energy transport, marine biological environment and marine climate. Due to their huge impact on the ocean, mesoscale eddy detection has become a hot research area in recent years. Therefore, more and more people are entering the field of mesoscale eddy detection. However, the existing detection methods mainly based on traditional detection methods typically only use Sea Surface Height (SSH) as a variable to detect, resulting in inaccurate performance. In this paper, we propose a mesoscale eddy detection method based on multivariate fusion data to solve this problem. We not only use the SSH variable, but also add the two variables: Sea Surface Temperature (SST) and velocity of flow, achieving a multivariate information fusion input. We design a novel symmetric network, which merges low-level feature maps from the downsampling pathway and high-level feature maps from the upsampling pathway by lateral connection. In addition, we apply dilated convolutions to network structure to increase the receptive field and obtain more contextual information in the case of constant parameter. In the end, we demonstrate the effectiveness of our method on dataset provided by us, achieving the test set performance of 97.06% , greatly improved the performance of previous methods of mesoscale eddy detection.

研究动机与目标

• 解决现有中尺度涡旋检测方法仅依赖海面高度（SSH）所带来的准确率下降问题。
• 开发一种稳健的深度学习框架，能够利用多种海洋学变量以提升涡旋分割性能。
• 构建一个新型多变量融合数据集，整合来自哥白尼海洋环境监测服务（Copernicus Marine Environment Monitoring Service）的SSH、SST和海洋流速数据，用于模型训练与评估。
• 设计一种对称网络架构，在保留空间细节的同时，通过侧向跳跃连接和空洞卷积增强语义理解能力。
• 在多个数据集和损失函数上，将所提方法与最先进模型进行对比评估，为未来研究建立强有力的基线。

提出的方法

• 所提出的SymmetricNet采用对称编码器-解码器架构，并引入侧向跳跃连接，将下采样路径中的低级高分辨率特征与上采样路径中的高级语义丰富特征进行融合。
• 多变量输入数据——SSH（1通道）、SST（1通道）和流速（2通道：东向与北向分量）——被融合为一个4通道输入张量，供模型输入使用。
• 在上采样路径中应用空洞卷积，以扩大感受野而不降低分辨率，从而保留空间细节并减少信息丢失。
• 提出一种新型损失函数，通过结合分类交叉熵损失与Dice损失，提升在类别不平衡数据上的分割性能。
• 模型在基于哥白尼海洋环境监测服务（CMEMS）卫星数据构建的新型多变量融合数据集上进行训练与评估。

实验结果

研究问题

• RQ1 与单变量方法相比，融合多种海洋学变量（SSH、SST、速度）是否能提升中尺度涡旋检测的准确率？
• RQ2 在对称U-Net架构中整合侧向跳跃连接与空洞卷积，对检测不规则形状中尺度涡旋有何影响？
• RQ3 结合交叉熵与Dice损失的混合损失函数是否能提升在类别不平衡的涡旋检测数据上的分割性能？
• RQ4 在单变量与多变量数据集上，SymmetricNet与EddyNet、PSPNet等现有模型相比，性能表现如何？
• RQ5 所提出的多变量融合数据集能否作为未来中尺度涡旋检测研究的可靠且有效的基准？

主要发现

• SymmetricNet在多变量融合测试集上达到97.06%的准确率，相较于EddyNet提升3.29个百分点，相较于PSPNet提升1.27个百分点。
• 同时采用侧向连接与空洞卷积的模型在训练集上达到97.32%的准确率，在测试集上达到97.06%，表现出优异的泛化能力与鲁棒性。
• 所提出的混合损失函数（交叉熵 + Dice）在测试集上取得最高准确率（97.06%），优于仅使用交叉熵损失（94.50%）或仅使用Dice损失（95.60%）的模型。
• 可视化对比显示，SymmetricNet生成的分割掩膜最接近真实标签，而EddyNet漏检大量涡旋，PSPNet则存在定位不准确的问题。
• 该模型在所有四个测试集（SSH、SST、速度和多变量融合）上均表现更优，尤其在多变量融合数据集上达到最高准确率（97.06%），证实其在多变量场景下的优越性。