リモートセンシング画像のピクセルレベル船舶抽出タスクにおけるデータ基準の不足や解釈精度の低さなどの問題に対して、本論文ではデータセットとネットワーク構造の2つの観点から研究を行い、十分な量と多様なタイプ、広い分布を持つ船舶セマンティックセグメンテーションデータセット（Ship Semantic Segmentation Dataset、SSSD）を構築し、共同の二重タスクと二重注意機構を組み合わせた船舶抽出方法を提案した。データセットの側面では、世界中の港湾地域を合理的に選定し、HRSC2016データセットを基にSSSDを構築し、最終的に3,760枚の訓練画像と923枚のテスト画像を含むデータセットを完成させた。ネットワーク構造の側面では、マルチヘッド自己注意とチャネル注意を融合して二重注意機構を設計し、セグメンテーション精度を効果的に向上させた。さらに、補助タスクとして輪郭監督ブランチを導入し、セマンティックセグメンテーションと共同で二重タスクネットワークフレームワークを形成し、船舶と背景の分割効果を強化した。実験結果は、本手法がU-Net、ASPPUNet、DeepLabV3+、MANetに比べIoUをそれぞれ11.44%、17.84%、12.25%、1.64%向上させ、二重注意及び補助タスクの設計でIoUをそれぞれ2.02%と1.36%向上させたことを示している。同時に、一般化実験では本手法がより強い適応性と頑健性を示した。本論文で構築したSSSDは船舶のピクセルレベル解釈に信頼できるデータ基準を提供し、本提案の船舶抽出方法は主流手法と比較して優れた性能・安定性・一般化能力を有している。

リモートセンシング画像;船舶抽出;データセット;注意機構;二重タスク