Pour traiter les erreurs causées par la perte de détails et le déséquilibre des classes dans la segmentation des objets des images de télédétection avec DeepLabV3+, une méthode de segmentation des objets des images de télédétection basée sur un réseau léger DeepLabV3+ est proposée. Tout d'abord, MobileNetV2 remplace le réseau de base original pour améliorer l'efficacité de l'entraînement et réduire la complexité du modèle. Ensuite, le taux d'expansion des convolutions dilatées dans la structure ASPP est augmenté, et un max-pooling est utilisé dans la dernière couche de l'ASPP pour capturer efficacement les informations contextuelles à différentes échelles. Un mécanisme d'attention SE est introduit dans chaque branche de l'ASPP, et un mécanisme d'attention ECA est ajouté après l'extraction des caractéristiques superficielles, améliorant la perception du modèle des différentes classes et détails. Enfin, une fonction de perte conjointe pondérée Dice-Focal est utilisée pour optimiser et traiter le problème du déséquilibre des classes. Le modèle amélioré a été validé sur les jeux de données des concours CCF et Huawei Ascend Cup, et les résultats expérimentaux montrent que la méthode proposée améliore les indicateurs du modèle DeepLabV3+ original sur les deux ensembles de test dans une certaine mesure : le mIoU atteint 73,47 % et 63,43 %, en hausse de 3,24 % et 15,11 % respectivement ; la précision atteint 88,28 % et 86,47 %, en hausse de 1,47 % et 7,83 % ; l’indice F1 atteint 84,29 % et 77,04 %, en hausse de 3,86 % et 13,46 %. Le modèle DeepLabV3+ amélioré traite mieux la perte de détails et le déséquilibre des classes, améliorant la performance et la précision de la segmentation des objets des images de télédétection.

MobileNetV2; convolution dilatée; mécanisme d’attention; fonction de perte