我国海洋强国战略提出构建高效溢油监测预警体系，海上溢油事故对海洋生态环境和经济可持续发展构成威胁。2010年大连新港输油管道爆炸事故揭示了溢油事故的多维度影响，强调了高效溢油监测预警体系的战略必要性。
SAR技术因其全天候全天时观测能力和对低粘度原油的独特敏感性，成为实现大范围、高时效溢油监测的核心技术手段。基于深度学习的语义分割模型通过多尺度特征融合与算法优化，提升了薄油膜识别精度，增强了海洋环境监测的决策时效性，有助于海洋生态保护和国际海洋治理标准的制定。
国内外研究的情况
本研究系统对比了U-Net、FCN、DeepLabv3+三类语义分割模型在SAR溢油图像解析中的性能差异，发现DeepLabv3+情况较好，并在其中增加CBAM模块，提升其性能
U-Net是一种面向高精度图像分割任务的全卷积神经网络，其核心设计通过对称的编码器-解码器架构与跨层跳跃连接机制，实现了多尺度特征提取与空间信息保留的协同优化。
FCN是语义分割领域的开创性模型，其核心创新在于全卷积结构设计与端到端的像素级预测能力。通过将传统CNN的全连接层替换为卷积操作，FCN能够接受任意尺寸的输入图像，并输出与输入空间分辨率一致的分割结果。
DeepLabv3+模型结合了空洞卷积和编码器-解码器结构，从而在提高分割精度的同时有效地捕获多尺度上下文信息。解码器通过逐步上采样与特征融合，恢复空间细节。
ASPP通过多尺度空洞卷积与全局池化相结合，捕获不同尺度的上下文信息，从而解决传统卷积网络因固定感受野导致的多尺度目标分割能力不足的问题。
CBAM是一种轻量级的通道-空间注意力机制，通过动态调整特征通道和空间位置的重要性，增强模型对关键特征的关注。
Deep-SAR Oil Spill Dataset (SOS)是由中国地质大学（武汉）高性能空间计算智能实验室（HPSCIL）与武汉大学遥感智能分析与决策（RS-IDEA）联合构建的公开数据集，旨在推动合成孔径雷达（SAR）图像中石油泄漏检测技术的发展。
实验过程遵循标准的深度学习流程，首先对SOS数据集进行预处理，训练集图像统一缩放至352×352像素并采用ImageNet标准归一化，测试集保持相同尺寸和归一化策略但未使用数据增强。模型采用改进的U-Net架构，编码器包含4个下采样模块，解码器通过上采样与跳跃连接逐步恢复分辨率。
实验过程中，首先通过自定义的CamObjDataset类加载训练图像及其对应的分割掩码，并利用transforms模块对图像进行标准化和尺寸调整。模型架构方面，实验选用基于预训练VGG16编码器的FCN模型，通过多级卷积层提取特征并结合跳跃连接实现多尺度信息融合。
实验过程中，通过CamObjDataset类加载训练数据集，并利用Resize、ToTensor和Normalize等预处理操作将图像统一缩放至352×352像素，同时对像素值进行标准化处理。模型架构方面，基于DeepLabV3+框架构建语义分割模型，采用改进的ResNet50作为骨干网络，并引入双分支结构以增强特征提取能力。
通过MIOU（Mean Intersection over Union）等指标评估模型性能，综合评估模型对每个类别的分割精度，最终取所有类别的平均值。
加入CBAM后的实验步骤
deeplabv3+加入注意力模块后比原来的要强
说明最后的结果即可