В задаче извлечения кораблей на уровне пикселей из изображений дистанционного зондирования, где существуют проблемы с недостатком эталонных данных и низкой точностью интерпретации, в данной работе проводится исследование на двух уровнях: набор данных и архитектура сети. Был создан достаточно крупный, разнообразный по типам и широко распространённый семантический набор данных для сегментации кораблей (Ship Semantic Segmentation Dataset, SSSD), а также предложен метод извлечения кораблей с использованием объединённой двойной задачи и механизма двойного внимания. На уровне набора данных был разумно выбран глобальный портовый район, и на основе набора HRSC2016 был построен набор SSSD, включающий 3760 обучающих изображений и 923 тестовых. На уровне архитектуры сети, через объединение многоагентного самовнимания и канального внимания, разработан механизм двойного внимания, эффективно повышающий точность сегментации. Кроме того, введено контурное контролирующее подразделение как вспомогательная задача, объединённая с семантической сегментацией в структуру с двойной задачей, что улучшило разделение кораблей и фона. Экспериментальные результаты показывают, что предложенный метод улучшает IoU по сравнению с U-Net, ASPPUNet, DeepLabV3+ и MANet на 11.44%, 17.84%, 12.25% и 1.64% соответственно; дизайн двойного внимания и вспомогательной задачи повышает IoU на 2.02% и 1.36%; при этом в экспериментах по обобщению метод показывает лучшую адаптивность и устойчивость. Созданный набор SSSD обеспечивает надёжный эталон для интерпретации кораблей на уровне пикселей, а предложенный метод превосходит основные методы по производительности, стабильности и обобщающей способности.

изображения дистанционного зондирования; извлечение кораблей; набор данных; механизм внимания; двойная задача