深層セマンティックセグメンテーションは高解像度リモートセンシングシーンの理解に不可欠です。リモートセンシング画像には各カテゴリーの地物数およびスケールの差異が大きく、複雑な空間およびセマンティック特徴を有します。さらに、空間およびセマンティック特徴を直接積み重ね融合する方式は、画像に含まれる豊富な特徴を十分に活用できていないという欠点があります。そこで、特徴抽出の対象性不足や特徴の十分な活用不足といった問題を解決するため、本論文では三つのブランチから成るアンサンブルネットワークに基づく高解像度リモートセンシング画像のセマンティックセグメンテーションアルゴリズムを提案します。まず、空間特徴とセマンティック特徴に対してそれぞれ異なる特徴抽出ブランチを設計し、リモートセンシング画像の空間情報とセマンティック情報を十分に活用して特徴の相補性を強化しました。次に、セマンティックと空間の一貫性の特徴を学習することを目的とした一貫性ブランチの概念を提案し、ネットワークのセグメンテーション性能を向上させました。最後に、三つのブランチ特徴を加重融合するマルチスケール特徴融合モジュールを提案し、モデルの適応能力を高めました。さらに、本論文では空間的一貫性に注目したランダムサンプリングクロップによるデータ増強手法を提案し、混合損失関数を導入してデータセットにおけるクラス数の不均衡問題を解決し、サンプル数が少ないことによる過学習問題を効果的に緩和しました。実験検証の結果、本提案アルゴリズムはISPRS PotsdamおよびVaihingenデータセットでの平均交差率がそれぞれ87.84%および87.49%に達し、本アルゴリズムが高解像度リモートセンシング画像のセマンティックおよび空間特徴を効率的に抽出・融合し、リモートセンシング画像のセグメンテーション精度を向上させることを立証しました。

高解像度リモートセンシング画像;セマンティックセグメンテーション;マルチスケール融合;データ増強;マルチブランチ特徴抽出;空間的一貫性