DeepLabV3+によるリモートセンシング画像の物体分割において、細部情報の喪失やクラス不均衡に起因する誤差に対処するために、軽量化ネットワークに基づくDeepLabV3+リモートセンシング画像物体分割手法を提案する。まず、MobileNetV2を用いて元のベースラインネットワークのバックボーンを置き換え、訓練効率を向上させモデルの複雑さを低減した。次に、ASPP構造内の空洞畳み込みの膨張率を拡大し、ASPPの最終層で最大プーリングを使用して異なるスケールのコンテキスト情報を効果的に捉えるとともに、ASPPの各ブランチにSE注意機構を導入し、浅層特徴抽出後にECA注意機構を導入してモデルの異なるクラスや細部の認識能力を向上させた。最後に、重み付きDice-Focal結合損失関数を用いて最適化し、クラス不均衡の問題を処理した。改良モデルはCCFおよびHuawei Ascend Cupのコンペティションデータセットで検証され、実験結果により本手法は元のDeepLabV3+モデルと比較して両テストセットの各指標で改善が見られた。mIoUは73.47%および63.43%に達し、それぞれ3.24%および15.11%向上；精度は88.28%および86.47%、それぞれ1.47%および7.83%向上；F1指数は84.29%および77.04%、それぞれ3.86%および13.46%向上した。改良されたDeepLabV3+モデルは細部情報の喪失やクラス不均衡の問題をより良く解決し、リモートセンシング画像物体分割の性能と精度を向上させる。

MobileNetV2;空洞畳み込み;注意機構;損失関数