MaSNet:一种用于复杂海上场景中无人水面艇的概率边界建模语义分割网络

《ADVANCED ENGINEERING INFORMATICS》:MaSNet: A probabilistic boundary modeling semantic segmentation network for unmanned surface vehicles in complex maritime scenes

【字体: 大 中 小 】 时间:2026年09月27日 来源:ADVANCED ENGINEERING INFORMATICS 11.5

编辑推荐:

   •将海洋边界感知建模为一种不确定性感知的知识表示问题。•MaSNet 将概率性边界知识融入语义学习。•BEAM 联合估计边界响应及其可靠性。•ASPP 与 ARSCA 提升上下文表示能力和特征判别能力。•MaSNet 以高效的嵌入式部署实现优越的精度。引言随着智能感知与自主决

  
  • •
    将海洋边界感知建模为一种不确定性感知的知识表示问题。
  • •
    MaSNet 将概率性边界知识融入语义学习。
  • •
    BEAM 联合估计边界响应及其可靠性。
  • •
    ASPP 与 ARSCA 提升上下文表示能力和特征判别能力。
  • •
    MaSNet 以高效的嵌入式部署实现优越的精度。

引言

随着智能感知与自主决策技术的快速发展,无人系统正越来越多地部署于海、陆、空各领域。与已广泛研究的无人飞行器(UAV)[1]、[2] 和自动驾驶汽车(AV)[3]、[4] 相比,无人水面舰艇(USV)[5]、[6] 凭借其优越的续航能力、隐蔽性和操作灵活性,已成为智能海事交通和自主导航系统的关键平台。对于无人水面舰艇而言,可靠的环境感知是安全高效导航的基本前提。特别是实时理解复杂海洋场景(包括障碍检测和可通航区域分割)对舰载决策至关重要 [7]。在各种传感方法 [8]、[9] 中,视觉系统因其丰富的语义信息、低功耗以及在嵌入式平台上易于部署而得到广泛采用。
在此背景下,基于视觉的语义分割在实现无人水面舰艇(USV)感知系统的细粒度场景理解方面发挥着关键作用,因为它提供了对水面、障碍物和可通航区域的像素级分类,从而为导航决策提供结构化的场景理解支持 [10]、[11]、[12]。然而,传统分割模型 [13]、[14] 最初是为城市道路场景或遥感影像开发的,通常依赖清晰的纹理、规则的几何结构和稳定的光照条件 [15]。相比之下,海洋场景带来的挑战远比结构化陆地环境更为严峻。这些挑战可归纳如下:(I) 严重的动态干扰,波浪引起的水面起伏扭曲图像纹理,同时水面上的镜面反射和太阳眩光进一步降低了目标的外观质量。(II) 边界显著模糊,海天交界和岸水交界由于颜色与纹理高度相似而难以区分。(III) 小尺寸和低占比目标,浮标和船只等障碍物仅占图像的很小比例,视觉特征较弱,容易与背景混淆。因此,当模型直接从陆地环境迁移到海洋环境时,这些因素会显著降低网络性能,导致无人水面舰艇系统做出错误的控制决策。在这些挑战的推动下,近期研究越来越关注开发针对海洋环境的特定语义分割方法。
得益于深度学习技术的快速进步,特别是在特征表示和上下文建模方面,针对海洋场景已提出了多种定制架构 [16]、[17]。在此基础上,现有方法可大致分为两种范式。第一种范式采用统一的特征学习框架 [10]、[18],在共享的表示空间中联合优化语义理解和边界定位。这些方法通常利用全局上下文建模、注意力机制和多尺度特征提取来增强表示能力 [19]、[20]。虽然这类设计在一定程度上缓解了尺度变化和背景复杂性,但它们本质上难以平衡全局语义推理和局部边界敏感性,往往导致边界定位不准确和小目标漏检。第二种范式引入解耦的多分支架构,显式分离语义和边界学习过程 [21]、[22]。这种设计增强了轮廓感知能力并提供了结构化的边界表示。然而,它存在两个主要局限性。首先,语义分支和边界分支的特征表示往往存在内在不一致性,使得有效融合变得困难。其次,边界建模对复杂海洋环境中的噪声和不确定性高度敏感,导致不稳定的预测结果,且这些预测在训练过程中可能被放大,从而降低整体鲁棒性。从工程信息学的角度来看,这提出了一个至关重要但尚未被充分探索的问题:如何将边界预测中的不确定性形式化为可计算的工程知识,并将其有效地融入特征学习和决策推理过程,以提高自主海洋系统环境感知的可靠性和鲁棒性?
为应对这些挑战并提高基于无人水面舰艇的导航系统的感知可靠性,我们提出了一种不确定性感知的海洋语义分割框架,称为 MaSNet。与传统将边界视为确定性特征的方法不同,该框架以概率方式对边界响应进行建模,并显式地将不确定性纳入感知过程。具体而言,我们设计了一个基于 Beta 分布的边缘感知模块(BEAM),用于估计边界不确定性并生成自适应的边缘引导,从而降低噪声敏感性并提高特征融合性能。此外,我们引入了自适应残差空间通道注意力(ARSCA)模块来增强特征表示能力。本文的主要贡献如下:
  • •
    我们将海洋边界感知建模为一个概率性知识表示问题,并提出 MaSNet 以将边界可靠性融入语义特征学习。
  • •
    我们提出了一个基于 Beta 分布的边缘感知模块,对像素级边界概率和不确定性进行建模,从而实现可靠的边界增强和模糊边界抑制。
  • •
    开发了一种边缘引导的多尺度特征细化策略,其中采用 ASPP 模块和自适应残差空间通道注意力模块来增强上下文表示和特征判别能力。
  • •
    大量实验表明,MaSNet 取得了优越的性能,在 PDM 和 LaRS 上均取得了竞争性结果,同时保持了参数效率,并通过在基于 Jetson 的嵌入式平台上的实时部署进一步验证。
本文其余部分组织如下。第 2 节回顾与水面语义分割相关的已有工作。第 3 节描述所提出的模型 MaSNet 的架构及基本原理。第 4 节展示实验结果及与现有方法的对比分析。最后,第 5 节总结本文的主要发现并讨论未来研究的方向。

章节摘要

边界感知语义分割

边界信息在提高语义分割精度方面发挥着关键作用,因为它为精确目标定位提供了重要的结构线索。现有研究已在自动驾驶 [23]、[24]、医学影像 [25]、[26]、[27] 和遥感 [28]、[29]、[30] 等多个领域对边界感知分割进行了广泛研究。
这些方法中的大多数通过引入辅助边缘监督或专用的边界

所提方法

如图 1 所示,所提出的 MaSNet 模型由三个核心模块组成:特征提取骨干网络、基于 Beta 分布的边缘感知模块(BEAM)和解码器。该网络旨在精确感知无人水面舰艇前方水域的可通航区域。它通过特征骨干网络高效地提取多层次语义信息,通过 BEAM 显式增强判别性边界特征,最后通过解码器进行融合和上采样以产生

数据集

原型数据集五月(PDM)。PDM 数据集旨在为海事目标检测和图像分割系统提供全面的训练数据。该数据集共包含 3616 张高分辨率图像,涵盖多种天气和光照条件下的广泛海洋环境。PDM 包含 13 个标注类别,分别为:浮标标记、商用船舶、渔船、陆地、其他障碍物、个人水上交通工具、客运船舶、行人、机动艇、帆船、天空,

结论

本文提出了一种概率性边界建模的语义分割网络 MaSNet,旨在应对海洋环境中常见的边界模糊、显著尺度变化和边界响应噪声等挑战。为此,引入了 BEAM 模块,利用 Beta 分布对像素级边界响应进行建模,从而实现对边界概率及其相关不确定性的联合估计。这种概率方法增强了可靠边界

作者贡献声明

吴润兵:撰写 – 审阅与编辑,撰写 – 初稿,方法论,概念化。任佳:监督指导,资源获取,数据整理。胡梓健:撰写 – 审阅与编辑,验证,调查研究,形式化分析。崔亚妮:验证,资源获取。Tamer Nabil Mahmoud Youssef:可视化,验证。

利益冲突声明

作者声明他们没有已知的会可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢

本工作得到国家自然科学基金(项目编号:62302132)、海南省重点研发计划(项目编号:ZDYF2024SHFZ125)、海南省自然科学基金(项目编号:725YXQN595)、海南省国际科技合作计划(项目编号:GHYF2025037)以及海南省南海科技新星创新创业人才基金(项目编号:NHXXKJCX202502)的支持。
吴润兵|任佳|胡梓健|崔亚妮|Tamer Nabil Mahmoud Youssef
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号