Для устранения ошибок, вызванных потерей деталей и дисбалансом классов при сегментации объектов на дистанционных изображениях с использованием DeepLabV3+, предложен метод сегментации объектов дистанционных изображений на основе облегченной сети DeepLabV3+. Во-первых, в качестве базовой сети была использована MobileNetV2 вместо исходной для повышения эффективности обучения и снижения сложности модели. Во-вторых, увеличена степень расширения в дилатационных свёртках структуры ASPP, а на последнем слое ASPP применён максимальный пулинг, что эффективно захватывает контекстную информацию разных масштабов. В каждом ветвлении ASPP введён механизм внимания SE, а после извлечения поверхностных признаков добавлен механизм внимания ECA, что улучшает восприятие модели различных классов и деталей. Наконец, для оптимизации использована взвешенная совместная функция потерь Dice-Focal, решающая проблему дисбаланса классов. Улучшенная модель была протестирована на наборах данных соревнований CCF и Huawei Ascend Cup, результаты экспериментов показали заметное повышение всех показателей по сравнению с исходной моделью DeepLabV3+ на обоих тестовых наборах: mIoU достиг 73,47% и 63,43%, увеличившись на 3,24% и 15,11% соответственно; точность — 88,28% и 86,47%, увеличившись на 1,47% и 7,83%; индекс F1 — 84,29% и 77,04%, увеличившись на 3,86% и 13,46%. Улучшенная модель DeepLabV3+ лучше справляется с потерей деталей и дисбалансом классов, улучшая производительность и точность сегментации объектов дистанционных изображений.

MobileNetV2; дилатационная свёртка; механизм внимания; функция потерь