研究目的
为应对极高分辨率（VHR）海事图像语义分割的挑战——特别是大规模场景下分离小目标（如船舶）以及在大面积区域清晰分割时面临的标注训练数据不足问题，本研究提出新型ShipNet网络及加权损失函数，以实现海陆分割与船舶检测的同步处理。
研究成果
提出的ShipNet结合加权损失函数，有效解决了超高分辨率海事图像的语义分割问题，在抗干扰性方面表现出色，实现了高精度（船舶类别总体准确率97.54%，F1值85.90%）。其性能超越FCN和ResNet等现有方法，能提供精细清晰的分割结果，新数据集为该领域后续研究提供了支持。
研究不足
该数据集仅包含374张图像，可能不足以支持深度学习模型的训练，且图像尺度与分辨率不一，或影响泛化能力。类别不平衡（船舶像素较少）及波浪波纹、云影等干扰因素也可能对性能造成影响。
1：实验设计与方法选择：
本研究采用编码器-解码器框架，以ResNet101作为编码器，五个反卷积层作为解码器，并结合加权损失函数处理类别不平衡问题以提高分割精度。
2：样本选择与数据来源：
通过人工标注像素为海、陆地、船舶三类，从Google Earth收集不同比例尺和空间分辨率的图像，创建了包含374张超高清海事图像的新数据集。
3：实验设备与材料清单：
实验室计算机配置为Intel Core i7-4790K CPU、GeForce GTX 1080 Ti GPU、20GB内存、东芝512GB固态硬盘，运行Ubuntu 16.04系统，软件包括Python 2.7、CUDA 8.0、cuDNN 7、PyTorch 0.3.0和mxNet 0.10.0。
4：04系统，软件包括Python CUDA cuDNN PyTorch 0和mxNet 0。 实验流程与操作步骤：
4. 实验流程与操作步骤：ShipNet使用265张图像训练，109张图像测试，通过加权损失函数优化整体精度和船舶检测的F1分数，并与FCN8s和ResNet方法进行对比。
5：数据分析方法：
基于混淆矩阵中的真阳性、假阳性和假阴性计算总体精度（OA）和船舶类别的F1分数来评估性能。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
GPU
GeForce GTX 1080 Ti
NVIDIA
Graphics processing unit for accelerating deep learning computations.
-
Hard disk
Toshiba SSD 512G
Toshiba
Solid-state drive for storing the operating system and datasets.
-
CPU
Intel(R) Core(TM) i7-4790K
Intel
Central processing unit for computational tasks in the experiment.
-
RAM
Random access memory for data storage during experiments.
-
Operating system
Ubuntu 16.04
Canonical
Operating system environment for running the experimental software.
-
登录查看剩余3件设备及参数对照表
查看全部
