Zur Behandlung von Fehlern, die durch Detailverlust und Klassenungleichgewicht bei der Segmentierung von Fernerkundungsbildobjekten mit DeepLabV3+ verursacht werden, wird eine auf einem leichtgewichtigen Netzwerk basierende DeepLabV3+-Methode zur Fernerkundungsbildobjektsegmentierung vorgeschlagen. Zunächst wird MobileNetV2 als Rückgratnetzwerk anstelle des ursprünglichen Baseline-Netzes verwendet, um die Trainingseffizienz zu erhöhen und die Modellkomplexität zu reduzieren. Zweitens wird die Dilatationsrate der dilatierten Faltungen in der ASPP-Struktur erhöht und am letzten Layer der ASPP Max-Pooling eingesetzt, um effektiv kontextuelle Informationen in verschiedenen Maßstäben zu erfassen. In jedem Zweig der ASPP wird ein SE-Aufmerksamkeitsmechanismus eingeführt und nach der Extraktion von oberflächlichen Merkmalen ein ECA-Aufmerksamkeitsmechanismus hinzugefügt, um die Wahrnehmungsfähigkeit des Modells für verschiedene Klassen und Details zu verbessern. Schließlich wird zur Optimierung eine gewichtete gemeinsame Dice-Focal-Verlustfunktion verwendet, um das Klassenungleichgewichtsproblem zu behandeln. Das verbesserte Modell wurde anhand der Datensätze der CCF- und Huawei Ascend Cup-Wettbewerbe validiert, und die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode im Vergleich zum ursprünglichen DeepLabV3+-Modell in beiden Testsätzen in allen Indikatoren unterschiedliche Verbesserungen erzielt: Das mIoU erreichte 73,47 % und 63,43 % mit einer Steigerung von 3,24 % bzw. 15,11 %; die Genauigkeit erreichte 88,28 % und 86,47 % mit einer Steigerung von 1,47 % bzw. 7,83 %; der F1-Index erreichte 84,29 % und 77,04 % mit einer Steigerung von 3,86 % bzw. 13,46 %. Das verbesserte DeepLabV3+-Modell kann Detailverluste und Klassenungleichgewicht besser behandeln und die Leistung sowie Genauigkeit der Fernerkundungsbildobjektsegmentierung verbessern.

MobileNetV2; dilatierte Faltung; Aufmerksamkeitsmechanismus; Verlustfunktion