Abstract

Accurate understanding of the scene of ship ports is important in a broad range of military and civilian applications, such as maritime management, maritime safety, fisheries management, maritime situational awareness (MSA), and ocean traffic surveillance. Semantic segmentation, which implements pixel-level classification, can achieve an exhaustive analysis of ship ports. However, in the earlier time, the state-of-the-art methods of semantic segmentation were mostly based on the study of natural images. Subsequently, semantic segmentation has been gradually widely used in remote sensing, but still few of them has focused on the parsing of ship ports in remote sensing. In order to realize a detailed analysis of ship ports, a novel framework (called Feature Attention Network) is proposed for the accurate segmentation of multiple targets in a ship port in this paper. In this framework, a multi-label classification auxiliary network is first designed to solve the problem of confused multiple prediction for one target by capturing more global context information. Then, an attention model is introduced to solve the problem of error segmentation between similar targets with different labels. Finally, a feature aggregation model is presented to obtain more contextual information. In addition, we construct a data set for the semantic segmentation of ship ports (called HRSC2016-SP) by labeling the HRSC2016 data set to evaluate our proposed framework. Our approach has achieved a state-of-the-art result (82.16% mIoU) on the test set of HRSC2016-SP.

摘要

准确了解船舶港口的场景在广泛的军事和民用应用中非常重要，例如海事管理、海上安全、渔业管理、海上态势感知 (MSA) 和海洋交通监视。语义分割，实现像素级分类，可以实现对船舶港口的详尽分析。然而，在更早的时候，最先进的语义分割方法大多是基于对自然图像的研究。随后，语义分割逐渐在遥感中得到广泛应用，但仍然很少有人专注于遥感中的船舶港口解析。为了实现对船舶港口的详细分析，本文提出了一种新的框架（称为Feature Attention Network），用于对船舶港口中的多个目标进行准确分割。在这个框架中，首先设计了一个多标签分类辅助网络，通过捕获更多的全局上下文信息来解决一个目标的多重预测混淆问题。然后，引入注意模型来解决具有不同标签的相似目标之间的错误分割问题。最后，提出了一个特征聚合模型来获得更多的上下文信息。此外，我们通过标记 HRSC2016 数据集来构建用于船舶港口语义分割的数据集（称为 HRSC2016-SP），以评估我们提出的框架。我们的方法在 HRSC2016-SP 的测试集上取得了最先进的结果（82.16% mIoU）。在这个框架中，首先设计了一个多标签分类辅助网络，通过捕获更多的全局上下文信息来解决一个目标的多重预测混淆问题。然后，引入注意模型来解决具有不同标签的相似目标之间的错误分割问题。最后，提出了一个特征聚合模型来获得更多的上下文信息。此外，我们通过标记 HRSC2016 数据集来构建用于船舶港口语义分割的数据集（称为 HRSC2016-SP），以评估我们提出的框架。我们的方法在 HRSC2016-SP 的测试集上取得了最先进的结果（82.16% mIoU）。在这个框架中，首先设计了一个多标签分类辅助网络，通过捕获更多的全局上下文信息来解决一个目标的多重预测混淆问题。然后，引入注意模型来解决具有不同标签的相似目标之间的错误分割问题。最后，提出了一个特征聚合模型来获得更多的上下文信息。此外，我们通过标记 HRSC2016 数据集来构建用于船舶港口语义分割的数据集（称为 HRSC2016-SP），以评估我们提出的框架。我们的方法在 HRSC2016-SP 的测试集上取得了最先进的结果（82.16% mIoU）。首先设计了一种多标签分类辅助网络，通过捕获更多的全局上下文信息来解决一个目标的多重预测混淆问题。然后，引入注意模型来解决具有不同标签的相似目标之间的错误分割问题。最后，提出了一个特征聚合模型来获得更多的上下文信息。此外，我们通过标记 HRSC2016 数据集来构建用于船舶港口语义分割的数据集（称为 HRSC2016-SP），以评估我们提出的框架。我们的方法在 HRSC2016-SP 的测试集上取得了最先进的结果（82.16% mIoU）。首先设计了一种多标签分类辅助网络，通过捕获更多的全局上下文信息来解决一个目标的多重预测混淆问题。然后，引入注意模型来解决具有不同标签的相似目标之间的错误分割问题。最后，提出了一个特征聚合模型来获得更多的上下文信息。此外，我们通过标记 HRSC2016 数据集来构建用于船舶港口语义分割的数据集（称为 HRSC2016-SP），以评估我们提出的框架。我们的方法在 HRSC2016-SP 的测试集上取得了最先进的结果（82.16% mIoU）。提出了一个特征聚合模型以获得更多的上下文信息。此外，我们通过标记 HRSC2016 数据集来构建用于船舶港口语义分割的数据集（称为 HRSC2016-SP），以评估我们提出的框架。我们的方法在 HRSC2016-SP 的测试集上取得了最先进的结果（82.16% mIoU）。提出了一个特征聚合模型以获得更多的上下文信息。此外，我们通过标记 HRSC2016 数据集来构建用于船舶港口语义分割的数据集（称为 HRSC2016-SP），以评估我们提出的框架。我们的方法在 HRSC2016-SP 的测试集上取得了最先进的结果（82.16% mIoU）。