В задаче извлечения кораблей на уровне пикселей из дистанционного зондирования существуют проблемы с недостатком эталонных данных и низкой точностью интерпретации. В данной работе проводится исследование на двух уровнях: набор данных и архитектура сети. Создан обширный, разнообразный и широко распространённый набор данных по семантической сегментации кораблей (Ship Semantic Segmentation Dataset, SSSD) и предложен метод извлечения кораблей с использованием объединённых двойных задач и двойного механизма внимания. На уровне набора данных разумно выбранны порты по всему миру, на основе набора данных HRSC2016 построен SSSD, который содержит 3760 обучающих и 923 тестовых изображений. На уровне архитектуры сети спроектирован двойной механизм внимания путём интеграции многоголового самовнимания и внимания по каналам, что эффективно улучшило точность сегментации. Кроме того, введено дополнительное контурное ветвление для дополнительной задачи, образующей с семантической сегментацией двухзадачную сетевую структуру, усиливающую отделение кораблей от фона. Результаты экспериментов показывают, что предложенный метод повышает 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 дает прирост IoU на 2,02 % и 1,36 % соответственно; одновременно в экспериментах по обобщению метод демонстрирует более высокую адаптивность и устойчивость. Созданный SSSD предоставляет надежную эталонную базу для пиксельной интерпретации кораблей, а представленный метод обладает лучшей производительностью, стабильностью и обобщаемостью по сравнению с основными методами.

изображения дистанционного зондирования;извлечение кораблей;набор данных;механизм внимания;двойные задачи