Face aux problèmes de manque de données de référence et de faible précision d’interprétation dans la tâche d’extraction de navires au niveau pixel des images de télédétection, cet article mène une étude à deux niveaux : le jeu de données et la structure du réseau. Un jeu de données de segmentation sémantique des navires (Ship Semantic Segmentation Dataset, SSSD) riche en quantité, divers types et large distribution a été construit, et une méthode d’extraction des navires combinant double tâche conjointe et double mécanisme d’attention a été proposée. Au niveau du jeu de données, des zones portuaires mondiales ont été sélectionnées de manière raisonnable, et le SSSD a été construit sur la base du jeu de données HRSC2016, comprenant finalement 3760 images d’entraînement et 923 images de test. Au niveau de la structure du réseau, un mécanisme d’attention double a été conçu par la fusion de l’attention multi-tête et de l’attention par canal, améliorant efficacement la précision de la segmentation. De plus, une branche de supervision de contour introduite en tant que tâche auxiliaire forme un cadre réseau multitâche conjoint avec la segmentation sémantique, renforçant la séparation navire-fond. Les résultats expérimentaux montrent que la méthode proposée améliore l’IoU de 11,44 %, 17,84 %, 12,25 % et 1,64 % respectivement par rapport à U-Net, ASPPUNet, DeepLabV3+ et MANet ; la conception du double attention et de la tâche auxiliaire augmente l’IoU de 2,02 % et 1,36 % respectivement ; parallèlement, les expérimentations de généralisation démontrent une meilleure adaptabilité et robustesse. Le SSSD construit dans cet article peut fournir une base de données fiable pour l’interprétation pixel à pixel des navires, et la méthode d’extraction proposée a de meilleures performances ainsi qu’une plus grande stabilité et capacité de généralisation comparée aux méthodes courantes.

images de télédétection;extraction des navires;jeu de données;mécanisme d’attention;double tâche