Im Bereich der pixelgenauen Schiffsextraktion aus Fernerkundungsbildern, wo es Probleme wie unzureichende Referenzdaten und schlechte Interpretationsgenauigkeit gibt, wird in diesem Artikel auf Dataset- und Netzwerkstrukturebene geforscht. Es wurde ein umfangreiches, typisch vielfältiges und breit verteiltes Schiff-Semantische-Segmentierungs-Dataset (Ship Semantic Segmentation Dataset, SSSD) erstellt und eine Methode zur Schiffsextraktion mit kombinierter Doppelaufgabe und dualem Aufmerksamkeitsmechanismus vorgeschlagen. Auf Dataset-Ebene wurden global Hafenregionen sinnvoll ausgewählt und basierend auf dem HRSC2016-Dataset wurde SSSD aufgebaut, das schließlich 3.760 Trainingsbilder und 923 Testbilder enthält. Auf Netzwerkstrukturebene wurde durch die Fusion von Multi-Head-Selbstaufmerksamkeit und Kanalaufmerksamkeit ein dualer Aufmerksamkeitsmechanismus entworfen, um die Segmentierungsgenauigkeit effektiv zu verbessern. Zusätzlich wurde ein Konturüberwachungszweig als Hilfsaufgabe eingeführt, der mit der semantischen Segmentierung einen Dual-Task-Netzwerkrahmen bildet, um die Trennung von Schiff und Hintergrund zu verstärken. Experimentelle Ergebnisse zeigen, dass die Methode die IoU im Vergleich zu U-Net, ASPPUNet, DeepLabV3+ und MANet jeweils um 11,44 %, 17,84 %, 12,25 % und 1,64 % verbessert; das Design von dualer Aufmerksamkeit und Hilfsaufgabe erhöht die IoU jeweils um 2,02 % bzw. 1,36 %; gleichzeitig zeigt die Methode in Generalisierungsexperimenten eine stärkere Anpassungsfähigkeit und Robustheit. Das erstellte SSSD bietet eine zuverlässige Datenbasis für die pixelgenaue Interpretation von Schiffen, und die vorgeschlagene Methode bietet im Vergleich zu gängigen Methoden bessere Leistung sowie höhere Stabilität und Generalisierbarkeit.

Fernerkundungsbilder;Schiffsextraktion;Dataset;Aufmerksamkeitsmechanismus;Doppelaufgabe