Diante dos problemas de insuficiência de dados de referência e baixa precisão de interpretação na tarefa de extração de navios em nível de pixel a partir de imagens de sensoriamento remoto, este artigo realiza um estudo em dois níveis: conjunto de dados e estrutura da rede. Foi construído um conjunto de dados de segmentação semântica de navios (Ship Semantic Segmentation Dataset, SSSD) com quantidade suficiente, tipos variados e ampla distribuição, e propôs-se um método de extração de navios baseado na combinação de tarefas duplas conjuntas e mecanismo duplo de atenção. No nível do conjunto de dados, foram selecionadas de forma racional áreas portuárias ao redor do mundo e o SSSD foi construído com base no conjunto de dados HRSC2016, contendo finalmente 3.760 imagens de treinamento e 923 de teste. No nível da estrutura da rede, através da fusão de atenção própria multi-cabeça e atenção de canal foi desenhado um mecanismo duplo de atenção que melhorou eficazmente 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 conjuntas junto à segmentação semântica, fortalecendo o recorte entre navio e fundo. Os resultados experimentais mostram que o método proposto aumentou o IoU em 11,44%, 17,84%, 12,25% e 1,64% em comparação com U-Net, ASPPUNet, DeepLabV3+ e MANet, respectivamente; o design do mecanismo duplo de atenção e da tarefa auxiliar aumentaram o IoU em 2,02% e 1,36%, respectivamente; simultaneamente, em experimentos de generalização, o método demonstrou maior adaptabilidade e robustez. O SSSD construído pode fornecer uma base de dados confiável para a interpretação pixel a pixel de navios, e o método proposto apresenta desempenho superior, maior estabilidade e capacidade de generalização em comparação com métodos convencionais.

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