DeepLabV3+가 원격 감지 이미지 객체 분할에서 세부 정보 손실 및 클래스 불균형으로 인한 오류를 해결하기 위해 경량화 네트워크 기반 DeepLabV3+ 원격 감지 이미지 객체 분할 방법을 제안한다. 먼저, 원본 베이스라인 네트워크의 백본 네트워크를 MobileNetV2로 교체하여 학습 효율을 높이고 모델 복잡도를 줄였다. 둘째, ASPP 구조 내 확장율을 증대시키고 ASPP 마지막 층에 맥스 풀링을 사용하여 다양한 스케일의 컨텍스트 정보를 효과적으로 캡처한다. ASPP 각 분기마다 SE 주의 메커니즘을 도입하고 얕은 특징 추출 후 ECA 주의 메커니즘을 도입하여 모델의 다양한 클래스 및 세부 사항에 대한 인식 능력을 향상시켰다. 마지막으로, 가중치가 부여된 Dice-Focal 결합 손실 함수를 사용하여 최적화하고 클래스 불균형 문제를 처리했다. 개선된 모델은 CCF 및 화웨이 어센드 컵 대회 데이터셋에서 검증되었으며, 실험 결과 원본 DeepLabV3+ 모델에 비해 두 테스트 세트의 모든 지표에서 각기 다른 정도로 향상되었음을 보여준다. mIoU는 각각 73.47%, 63.43%에 도달하여 3.24%, 15.11% 증가했으며; 정확도는 각각 88.28%, 86.47%로 1.47%, 7.83% 증가; F1 지수는 각각 84.29%와 77.04%로 3.86%와 13.46% 증가했다. 개선된 DeepLabV3+ 모델은 세부 정보 손실과 클래스 불균형 문제를 더 잘 해결하여 원격 감지 이미지 객체 분할의 성능과 정확도를 향상시킨다.

MobileNetV2; 확장 합성곱; 주의 메커니즘; 손실 함수