Hybrid Multi- Expert Deep Learning Framework for Operational SAR Maritime Surveillance and Dark Vessel Identification

把海洋想象成一条繁忙的巨大高速公路，船只就是其中的汽车。几十年来，我们一直通过一种叫做 AIS 的系统来追踪这些“汽车”，这就像是一个数字车牌，船只通过它自愿广播信息说：“我在这里！”但就像驾驶员可能会关掉车灯以躲避收费站一样，有些船只也会关闭其 AIS 信号以隐藏行踪。这些被称为“暗船”（dark vessels），它们可能被用于走私、非法捕鱼或其他可疑业务。为了抓住它们，我们需要能够看穿雾气、雨水和漆黑夜晚的眼睛。于是，合成孔径雷达（SAR）登场了。把 SAR 想象成一个超级强大的手电筒，它不使用可见光，而是使用无形的微波束。它能反射并捕捉到船只的影像，即使是在暴风雨中或月亮隐藏在云层后时也能成像。然而，观察这些雷达图像非常困难。它们通常有很多颗粒感，充满了噪点（就像旧式电视机画面一样），尤其是在船只像沙丁鱼一样挤在一起的拥挤港口附近，情况会变得非常混乱。科学家们曾尝试利用计算机来寻找这些船只，但大多数计算机程序都像是“通才”：它们在开阔大洋中识别船只表现尚可，但在繁忙的港口或多岩石的海岸附近就会陷入混乱。

这就是来自阿米提大学（Amity University）研究人员的一项新研究所发挥作用的地方。他们提出了一种“混合多专家深度学习框架”（Hybrid Multi-Expert Deep Learning Framework），这是一种高级说法，意思其实是他们构建了一个由专门的计算机侦探组成的团队，而不是仅仅依赖于一个侦探。想象一下，在一个警察局里，你不会把每一位侦探都派往每一个犯罪现场。相反，你会有一个聪明的调度员先观察现场。如果是一个安静的开阔海域，调度员会派出“专家 A”，他动作迅速且高效；如果是一个波涛汹涌的海岸，调度员会派出“专家 B”，他会更加谨慎；如果是一个船只相互重叠的超拥挤港口，调度员会派出拥有特殊工具的“专家 C”，他是最先进的侦探，专门负责理清这种混乱。研究人员使用真实的卫星图像测试了这个团队，并发现这种“智能调度员”系统运行得非常出色。他们展示了通过将雷达观测到的内容与那些确实在进行广播的船只的“数字车牌”（AIS）进行匹配，就可以发现那些试图隐身的船只。在新加坡海峡的一次测试中，该系统发现了 1,000 多艘船只，并识别出其中有 96 艘是试图保持隐形的“暗船”。

“一刀切”式侦探的问题

长期以来，科学家们一直试图使用单一的计算机程序在雷达图像中寻找船只。这有点像试图用一副眼镜同时用来读书、开车和看星星。它可能在某一项任务上表现不错，但并不擅长所有任务。在开阔大洋中，船只彼此相距甚远，因此一个简单、快速的检测器就足够了。但在靠近海岸的地方，海水很汹涌，雷达会被波浪干扰而产生困惑。在密集的港口，船只靠得太近，看起来就像一个巨大的团块。传统的检测方法，例如“恒定虚警率”（CFAR）技术，经常会被这种背景噪声淹没，导致对每一道波浪都发出警报，从而漏掉了真正的船只。

研究人员认为，我们需要一个能够适应环境的系统。他们建议，与其强迫一个模型去做所有事情，不如让计算机根据它所看到的情况来决定使用哪位“专家”。

智能调度员：路由场景

这个新框架的第一步是“智能场景路由”（Intelligent Scene Routing）。可以把它想象成前台的调度员。当一张新的雷达图像到达时，系统并不会立即开始寻找船只。首先，它使用一种名为 ResNet-50 的改进型神经网络来观察图像并询问：“我们在哪里？”

系统将场景分为三类：

1. 离岸（Offshore）： 开阔的海面，这里相对安静且清晰。
2. 近岸（Inshore）： 海岸线，这里的海水更汹涌，背景更杂乱。
3. 密集港口（Dense Port）： 船只紧密排列的拥挤港口。

研究人员训练了这个调度员，使其非常擅长这项工作。在测试中，它正确识别环境类型的准确率达到了 98.8%。这至关重要，因为它确保了使用正确的工具完成正确的工作。如果调度员派错了专家，系统可能会漏掉船只或被波浪迷惑。

专业侦探团队

一旦调度员知道了位置，就会将图像交给专为该环境设计的特定专家：

• 专家 A（离岸）： 对于开阔大洋，系统使用 YOLOv8n。这是一个轻量级且快速的模型。由于开阔海域杂乱程度较低，这位专家不需要过于复杂，只需要快速且准确即可。研究人员发现，这位专家的检测精度（称为平均精度均值或 mAP）达到了 97%。
• 专家 B（近岸）： 对于海岸，系统切换到稍大一些、更谨慎的 YOLOv8s。它还使用了名为“基于 CFAR 的自适应滤波”的特殊技巧。想象一下，这是一个会根据噪声水平调整敏感度的侦探。如果波浪声很大，侦探就知道要忽略细小的涟漪，转而关注较大的形状。这位专家的 mAP 约为 86%。
• 专家 C（密集港口）： 这是重型武器。在拥挤的港口，船只相互重叠，使得它们难以区分。这位专家结合使用了 SwinIR（一种用于清理颗粒感雷达图像、使其更清晰的工具）和 Mask R-CNN（一种可以为每艘单独的船只绘制精确轮廓的模型，即使它们彼此接触也能做到）。这位专家在寻找重叠船只方面表现极其出色，其“召回率”（Recall）接近 1.0，这意味着它几乎找到了所有的船只，极少遗漏。

捕捉隐形者：AIS 数据融合

找到船只是成功的一半。真正的目标是找到那些“暗船”——即那些正在隐藏行踪的船只。为了实现这一目标，系统使用了一种巧妙的技巧，称为“AIS 数据融合”。

每艘遵守规则的船只都会通过 AIS 广播其位置。系统获取雷达发现的船只列表，并将其与广播位置的船只列表进行对比。它使用一种数学公式（哈弗辛距离，Haversine distance）来查看雷达发现的船只是否足够接近 AIS 船只，从而判定它们是否为同一艘船。他们设定了一条规则：如果雷达船只距离 AIS 船只在 500 米 以内，则视为匹配。

如果雷达看到了船只，但附近没有 AIS 信号，系统就会将其标记为暗船。这就像看到一辆没有开灯行驶的汽车；你知道它在那里，但它没有告诉你它是谁。

追踪神秘船只

一旦发现暗船，系统不仅仅是拍下一张快照，它还会开始追踪。它使用 卡尔曼滤波（Kalman Filter），这是一种基于物体过往轨迹来预测其下一步去向的数学方法。你可以把它想象成一场“热豆子”游戏，系统在预测船只的路径。如果一艘船突然改变方向或以奇怪的方式停止移动，系统就能察觉到这种异常。这有助于管理部门了解不仅是船只“在哪里”，还有它“在做什么”。

结果：实战检验

研究人员并不仅仅是在计算机模拟中构建了这个系统；他们使用真实数据进行了测试。他们使用了来自 Sentinel-1 卫星的图像以及来自全球最繁忙航道之一的新加坡海峡的数据。

以下是他们的发现：

• 系统分析了 1,038 次船只检测。
• 它识别出其中 96 艘为暗船。
• 这导致了 9.24% 的暗船检测率（DVDR）。

这意味着，在这次特定的测试中，大约每 10 艘被雷达检测到的船只中就有 1 艘没有广播其位置。研究人员指出，这与之前的研究结果一致，表明有相当一部分海上交通是在阴影下运行的。

为什么这很重要

本文的核心观点是，“一刀切”的找船方法是不够的。通过创建一个像专业团队一样的系统——每个成员都有针对不同环境的“超能力”——研究人员构建了一种更稳健、更准确的海上监测方式。

这项研究表明，这种混合框架是迈向运行化海上监测的重要一步。它超越了简单的模拟，证明了自己可以在真实卫星数据和实时交通信息中发挥作用。虽然该系统并不完美（没有系统是完美的），但它提供了一种极具前景的方法，可以捕捉那些试图钻空子的“暗船”，从而保障全球贸易路线的安全与稳定。研究人员计划在未来不断改进该系统，例如在未来将雷达与其他类型的传感器相结合，但目前，他们已经证明，一个智能的多专家团队是破解隐藏之谜的最佳方案。