简单总结
在繁忙的港口和沿海水域，船只经常相互遮挡，这使得现有的计算机视觉系统难以准确检测和区分它们。为了解决这个问题，本研究开发了一种新的实例分割方法。该方法能够有效地提取不同尺度下的船只特征，并利用这些特征来恢复被遮挡的部分的信息。此外，它还可以定位被遮挡的区域并优化船只的轮廓。在新收集的数据集上的实验表明，该方法的表现优于当前最先进的技术，能够在保持快速处理速度的同时提高准确性。这项工作有潜力提高海上安全，实现更高效的港口管理，并支持自主船舶导航。
摘要
实例分割能够准确地提取船只的位置和轮廓，为多目标跟踪、传感器融合和碰撞预警等海上安全任务提供基础。本研究专注于单帧分割，旨在解决拥挤港口中船只多尺度遮挡的问题，通过高精度识别提供可靠的观测数据以确保航行安全。现有方法在复杂的海上环境中性能下降，原因包括多尺度分布、远处目标分辨率低以及频繁的遮挡现象。其中，船只遮挡尤为严重，因为它会导致相邻实例之间的特征混淆和边界分割不准确。为了解决这些问题，我们提出了一种基于多分支自适应特征融合和遮挡区域解耦的新型实例分割算法（MAF-ORDNet）。首先，设计了一个多分支自适应特征融合模块，通过不同的感受野捕获上下文信息，并动态融合多尺度特征，从而恢复被遮挡的部分的信息并增强鲁棒性。其次，构建了一个遮挡区域解耦模块，通过自适应采样准确定位被遮挡的区域并优化轮廓处理。此外，我们还构建并标注了Occlusion ShipSeg数据集，其中包含1969张真实的遮挡图像、2150张模拟的遮挡图像以及1132张在恶劣天气条件下的图像，总计17,352个详细的实例标注。实验结果表明，与PatchDCT、YOLOv11s和Mask2Former相比，我们的方法在AP（平均精度）上分别提高了2.7%、3.2%和2.4%，同时保持与YOLOv8s相当的推理速度。这些结果证实，MAF-ORDNet在多尺度遮挡船只分割任务中实现了准确性和效率之间的良好平衡。
