但受SSHN-RS数据集规模有限、字符分布不均、结构差异化大等因素影响，CenterMask2算法在舷号识别中存在明显缺陷：数据集样本稀疏、舷号姿态样本不足，易造成字符错检；舷号字符分布密集，上下文干扰强烈，易引发字符漏检；字符存在嵌套结构、相似度较高，导致检测结果出现大量冗余字符。上述问题是各类通用实例分割算法在舷号识别任务中的共性问题。
       针对以上问题，基于CenterMask2算法，提出一种多视角渐进式上下文解耦的舷号检测识别算法，核心架构包含固定中心与最大化面积的随机透视变换、渐进式上下文解耦、掩码间扰动抑制三大关键技术。

2.固定中心和最大化面积的随机透视变换技术
       针对SSHN-RS数据集，因舷号占比小、多分布于船体前侧方、偏离图像中心的特点，直接采用常规透视变换会产生诸多问题：变换角度过大会造成舷号严重畸变、变换范围过广易使舷号超出图像边界、样本顶点间距过小会导致舷号特征消失。
       为生成适配网络训练的优质样本，本方案提出适配舷号检测任务的固定中心、最大化面积随机透视变换增广技术。其设计思路基于两大核心原则：一是模拟人眼中心发散的视觉特性，固定原图中心为变换图像中心，杜绝样本视野严重偏移问题；二是针对舷号感受野小的特点，通过限制图像顶点变换范围，最大化保留样本有效面积，避免舷号失真。该技术可生成多视角舷号姿态样本，有效提升模型训练效果。

       该技术具体实现步骤如下：首先，读取图像宽高参数与中心坐标，确定基础变换基准；其次，引入取值于0至1的超参数a，对图像左上角顶点横、纵坐标进行区间约束；最后，依托原图中心固定原则与相似三角形原理，约束右下角顶点变换范围，保证变换图像中心恒定、样本面积最大化，兼顾视角随机性与舷号特征完整性。先对图像做中值滤波、增强等预处理，提取特征点，结合 RANSAC 算法完成特征匹配，逐张拼接分采图像，得到线束完整全景图，为后续全局检测奠定基础。

3.渐进式上下文解耦技术
       卷积神经网络的训练效果不仅依赖精准的样本标注，还受目标特征分布影响。舷号字符排布密集，字符间上下文干扰严重，特征提取阶段中结构简单、特征微弱的字符易被相邻复杂字符特征覆盖，导致模型学习不充分，大幅降低舷号检测召回率与识别精度。针对该问题，本方案提出渐进式上下文解耦技术，通过弱化字符间上下文干扰、强化单体字符特征表达并实现数据增广，有效提升模型性能。

       该技术整体实现流程如下：首先，将样本输入测试网络，获取含大量冗余字符的初始检测结果。其次，依据初始结果的分割掩码，逐一对原样本对应字符区域像素进行擦除重构，生成多组新测试样本。将所有新样本送入网络测试，得到多组检测结果，有效改善部分字符漏检、错检问题，但仍存在重叠掩码干扰。
       为此， 引入一维非极大值抑制算法优化重叠掩码问题。该算法通过提取各掩码的置信分数与检测框中心横坐标，计算掩码间中心距离并结合阈值判定重叠区域，对重叠掩码仅保留置信度最高的有效目标，剔除低分冗余掩码，完成单组结果优化。

1. 舷号检测识别算法
       为验证所提算法的有效性与鲁棒性，基于SSHN-RS数据集，与多种主流实例分割算法开展对比实验，从检测完整性、识别准确性与冗余滤除效果三个维度进行综合评估，包含定性可视化对比、定量指标对比及消融实验分析。

       实验样例涵盖小尺度、大尺度、倾斜、远海、模糊、遮挡等各类复杂舷号场景，覆盖数据集全部典型工况，检测难度较高。传统Mask RCNN算法在各类场景下均存在大量错检、漏检与冗余字符，整体性能较差。即便是BlendMask、原始CenterMask2等新型算法，在复杂场景下仍存在明显缺陷：小尺度舷号易出现严重漏检与误识别；密集相似字符场景存在错检、漏检问题；大尺度、复杂背景舷号易产生冗余掩码与背景误检；倾斜、模糊、遮挡舷号因特征缺失，识别精度大幅下降。相较之下，本算法在所有复杂工况下均可完整、准确识别舷号字符，无冗余错误结果，可视化效果显著优于对比算法。
       定量实验选取精确率、召回率、F值与字符识别率作为评价指标。本算法四项核心指标可达0.9854、0.9576、0.9713、0.9018，性能优势显著。传统实例分割算法各项指标普遍偏低，检测F值不足50%，字符识别率低于20%，难以适配舷号检测任务。相较于基础模型enterMask2，本算法精确率、召回率、F值、识别率分别提升4.51%、3.45%、3.97%、8.83%。针对数据集少量多舰船复杂场景的测试结果显示，本算法仍保持0.9684、0.9435、0.9558、0.8750的高精度指标，证明算法可有效解决样本稀疏、字符密集、嵌套相似等固有难题，具备优异的有效性与鲁棒性。

       为逐一验证三大核心技术的增益效果，本文设置消融实验，以CenterMask2为基础网络，分别对透视变换（模块A）、上下文解耦（模块B）、掩码扰动抑制（模块C）进行单模块、双模块与全模块组合测试。

       单模块消融结果表明：模块A通过多视角数据增广丰富舷号姿态，有效弥补数据集样本不足的缺陷，显著提升精确率与识别率，经参数优选，确定超参数a取0.4时模型综合性能最优；模块B有效缓解字符密集带来的上下文干扰，强化弱小字符特征表达，对召回率与识别率提升效果突出；模块C可精准滤除字符嵌套、相似引发的重叠冗余掩码，全面优化各项检测识别指标。

       双模块组合实验证明，各创新模块具备独立性与互补性，两两结合可进一步提升模型性能，实现指标协同增益。三模块全组合模型取得全部最优指标，充分印证：透视变换负责扩充样本姿态、提升检测精度；上下文解耦负责弱化特征干扰、提升召回能力；掩码扰动抑制负责剔除推理冗余、优化最终识别效果，三者协同适配舷号检测的各类难点问题。