Глубокая семантическая сегментация играет ключевую роль в понимании высокодетализированных сцен Дистанционного зондирования. В изображениях Дистанционного зондирования количество и масштаб различных классов объектов значительно различаются, они обладают сложными пространственными и семантическими характеристиками, а прямое объединение пространственных и семантических признаков не полностью использует богатые характеристики, содержащиеся в изображениях. Поэтому, для решения проблем недостаточной направленности при извлечении признаков и недостаточного использования признаков, в данной работе предлагается алгоритм семантической сегментации высокодетализированных изображений Дистанционного зондирования на основе трехветвевой ансамблевой сети. Во-первых, для пространственных и семантических признаков разработаны разные ветви извлечения признаков, чтобы полностью использовать пространственную и семантическую информацию изображений Дистанционного зондирования, что усилило взаимодополняемость признаков; во-вторых, вводится понятие согласованной ветви, предназначенной для обучения признаков пространственной и семантической согласованности, что улучшает производительность сегментации сети; наконец, предложен модуль многомасштабного слияния признаков, который выполняет взвешенное объединение трех ветвей признаков, повышая адаптивность модели. Кроме того, в работе представлена методика увеличения данных с использованием случайной выборки и обрезки с акцентом на пространственную согласованность, а также введена смешанная функция потерь для решения проблемы несбалансированности классов в датасете, эффективно снижая переобучение, вызванное недостаточным количеством образцов классов. Результаты экспериментов показали, что предлагаемый алгоритм достигает среднего коэффициента перекрытия 87.84% и 87.49% на наборах данных ISPRS Potsdam и Vaihingen соответственно, что доказывает высокую эффективность алгоритма в извлечении и объединении семантических и пространственных признаков высокодетализированных изображений Дистанционного зондирования и повышении точности сегментации.

высокодетализированные изображения дистанционного зондирования;семантическая сегментация;многомасштабное слияние;увеличение данных;многофункциональное извлечение признаков;пространственная согласованность