Die tiefgehende semantische Segmentierung ist entscheidend für das Verständnis von hochauflösenden Fernerkundungsszenen. In Fernerkundungsbildern gibt es große Unterschiede in der Anzahl und Größe der verschiedenen Objektarten und sie weisen komplexe räumliche und semantische Merkmale auf. Die direkte Stapelung von räumlichen und semantischen Merkmalen hat den Nachteil, dass die reichhaltigen Merkmale im Bild nicht ausreichend genutzt werden. Daher schlägt dieser Artikel einen semantischen Segmentierungsalgorithmus für hochauflösende Fernerkundungsbilder auf der Grundlage eines integrierten Netzwerks mit drei Zweigen vor, der Probleme wie unzureichende zielgerichtete Merkmalsextraktion und unzureichende Merkmalsnutzung löst. Zunächst sind verschiedene Merkmalsextraktionszweige für räumliche und semantische Merkmale konzipiert, um die räumlichen und semantischen Informationen von Fernerkundungsbildern voll auszunutzen und die Komplementarität der Merkmale zu stärken. Zweitens wird das Konzept des Kohärenzzeichens eingeführt, um Merkmale der Semantik und Räumlichkeit zu lernen, um die Segmentierungsleistung des Netzwerks zu verbessern. Schließlich wird ein Modul für die Fusion von Merkmalen in mehreren Maßstäben vorgeschlagen, um die Merkmale der drei Zweige zu gewichten und zu fusionieren und die Anpassungsfähigkeit des Modells zu verbessern. Darüber hinaus schlägt dieser Artikel eine Methode zur zufälligen Probenbeschneidung mit Schwerpunkt auf der räumlichen Kohärenz vor und fügt eine Mischverlustfunktion hinzu, um das Problem des Ungleichgewichts der Klassenanzahl im Datensatz zu lösen, das den Overfitting aufgrund der zu geringen Anzahl von Klassenbeispielen im Datensatz effektiv mildert. Die experimentellen Ergebnisse zeigen, dass der in diesem Artikel vorgeschlagene Algorithmus eine durchschnittliche Überlappung von 87,84 % bzw. 87,49 % auf den ISPRS-Potsdam- und Vaihingen-Datensätzen erreicht und somit effizient räumliche und semantische Merkmale von hochauflösenden Fernerkundungsbildern extrahieren und fusionieren und die Genauigkeit der Segmentierung von Fernerkundungsbildern verbessern kann.

Hochauflösende Fernerkundungsbilder; semantische Segmentierung; Fusion in mehreren Maßstäben; Datenverstärkung; Extraktion von Mehrbranchenmerkmalen; räumliche Kohärenz