Na tarefa de extração de navios em nível de pixel em imagens de sensoriamento remoto, onde existem problemas de falta de referência de dados e baixa precisão de interpretação, este artigo realiza estudos em dois níveis: conjunto de dados e estrutura de rede. Foi construído um conjunto de dados de segmentação semântica de navios (Ship Semantic Segmentation Dataset, SSSD) com quantidade suficiente, tipos ricos e distribuição ampla, e foi proposta uma metodologia de extração de navios combinando tarefas duplas e mecanismo de atenção dupla. No nível do conjunto de dados, foram selecionadas racionalmente as áreas portuárias globais, e o SSSD foi construído com base no conjunto HRSC2016, contendo no total 3.760 imagens de treinamento e 923 imagens de teste. No nível da estrutura da rede, por meio da fusão de atenção própria multi-cabeça e atenção por canal, foi projetado um mecanismo de atenção dupla que melhora efetivamente a precisão da segmentação. Além disso, foi introduzido um ramo de supervisão de contorno como tarefa auxiliar, formando uma estrutura de rede com tarefas duplas juntamente com a segmentação semântica, reforçando a separação entre navios e fundo. Os resultados experimentais mostram que o método proposto melhora o IoU em 11,44%, 17,84%, 12,25% e 1,64% em comparação com U-Net, ASPPUNet, DeepLabV3+ e MANet, respectivamente; o design da atenção dupla e da tarefa auxiliar eleva o IoU em 2,02% e 1,36%; simultaneamente, nos experimentos de generalização, o método demonstrou maior adaptabilidade e robustez. O SSSD construído fornece uma referência confiável para a interpretação de navios em nível de pixel, e o método proposto apresenta desempenho superior, maior estabilidade e melhor capacidade de generalização em comparação com os métodos predominantes.

imagens de sensoriamento remoto; extração de navios; conjunto de dados; mecanismo de atenção; tarefas duplas