Para abordar los errores causados por la pérdida de detalles y el desequilibrio de clases en la segmentación de objetos en imágenes de teledetección con DeepLabV3+, se propone un método de segmentación de objetos en imágenes de teledetección basado en una red ligera DeepLabV3+. Primero, se utiliza MobileNetV2 para reemplazar la red base original, mejorando la eficiencia del entrenamiento y reduciendo la complejidad del modelo. En segundo lugar, se incrementa la tasa de dilatación en las convoluciones dilatadas dentro de la estructura ASPP, y se utiliza pooling máximo en la última capa de ASPP para capturar efectivamente la información contextual a diferentes escalas. Se introduce un mecanismo de atención SE en cada rama de ASPP y un mecanismo de atención ECA después de extraer características superficiales, mejorando la capacidad del modelo para percibir diferentes clases y detalles. Finalmente, se utiliza una función de pérdida conjunta Dice-Focal ponderada para optimizar y abordar el problema del desequilibrio de clases. El modelo mejorado se validó en los conjuntos de datos de la competencia CCF y Huawei Ascend Cup, y los resultados experimentales muestran que el método propuesto mejora varios indicadores en ambos conjuntos de prueba en comparación con el modelo DeepLabV3+ original: el mIoU alcanzó 73,47 % y 63,43 %, incrementándose en 3,24 % y 15,11 % respectivamente; la precisión alcanzó 88,28 % y 86,47 %, incrementándose en 1,47 % y 7,83 %; el índice F1 alcanzó 84,29 % y 77,04 %, incrementándose en 3,86 % y 13,46 %. El modelo mejorado DeepLabV3+ puede manejar mejor la pérdida de detalles y el desequilibrio de clases, mejorando el rendimiento y precisión de la segmentación de objetos en imágenes de teledetección.

MobileNetV2; convolución dilatada; mecanismo de atención; función de pérdida