基于语义提示增强的海事船舶检测与实例分割方法OACHSSCD

【目的】提高复杂海事场景下船舶目标识别精度。【方法】对不同公开数据集进行清洗、类别统一映射与细粒度重标注,构建语义一致的船舶类别体系;基于原始数据集标注,利用SAM 3生成分割掩码,补充分割监督;在YOLOE框架下引入空间-语义互补增强模块和语义提示对齐策略,提出基于语义提示增强的海事船舶检测与实例分割模型(YOLOEShip),实现船舶目标检测、类别识别与实例分割的联合优化。【结果】YOLOEShip模型的精确率、召回率和F1分数分别为0.9295、0.8608和0.8938,交并比阈值分别为0.50、0.50~0.95的目标检测性能(B)和实例分割性能(M)的平均精度均值mAP50(B)、mAP50-95(B)、mAP50(M)和mAP50-95(M)分别为0.9152、0.7360、0.8789和0.5927。与YOLOv11相比,mAP50(B)和mAP50-95(B)分别提高2.82%和9.00%,mAP50(M)和mAP50-95(M)分别提高1.89%和1.23%。对于样本相对较少的高速艇、摩托艇、帆船和游艇,YOLOEShip模型的F1分数较YOLOv11分别提高1.68%、2.66%、1.31%和5.81%;4类船舶的平均F1分数由87.89%提高至90.30%,相对提高2.74%。【结论】该方法可有效提升复杂海事场景下多类船舶检测与实例分割的准确性,对小目标和长尾类别具有良好的适应能力。