Um das Problem der einheitlichen Skalierung bei der Merkmalsextraktion, des Detailverlusts und der unscharfen Grenzen bei der semantischen Segmentierung von Luftbildern zu adressieren, schlägt dieser Artikel ein semantisches Segmentierungsnetzwerk für Luftbilder mit übergreifender Ebeneninteraktion und Orientierungserkennung vor. Durch eine Richtungsentkopplungs-Aufmerksamkeitsstrategie wird ein Orientierungserkennungsmodul aufgebaut, das die Fähigkeit des Modells zur Verarbeitung räumlicher Richtungsinformationen verbessert; ein Modul zur übergreifenden Ebeneninteraktion wurde entwickelt, um den merkmalsübergreifenden Kanalaustausch zu ermöglichen und die Raumwahrnehmung zu verbessern, wobei gleichzeitig ein Kanal-Raum-Aufmerksamkeitsmechanismus zur Stärkung der Merkmalsextraktionsfähigkeit eingesetzt wird, um Detailunschärfen in komplexen Szenen zu mindern; schließlich wurde der Segmentierungskopf leichtgewichtig gestaltet und überflüssige Operationen entfernt, wodurch der Rechenaufwand reduziert und gleichzeitig die Segmentierungsleistung gewährleistet wird. Die Experimentergebnisse zeigen, dass das vorgeschlagene Netzwerk den durchschnittlichen Intersection-over-Union-Wert auf den Datensätzen UAVid und Aeroscapes um 1,7 % bzw. 1,3 % gegenüber dem Basismodell SegFormer verbessert hat, was die Effektivität des Netzwerks in komplexen Luftbildsituationen beweist. Die Segmentiergenauigkeit der Human-Klasse verbesserte sich um 1,8 % gegenüber dem Basismodell, was die hervorragende Leistung des Netzwerks bei der Segmentierung kleiner Objekte zeigt. Im Vergleich zu mehreren führenden Netzwerken erzielte diese Methode auf beiden Datensätzen die höchste Segmentiergenauigkeit und zeigt eine bessere Generalisierungsfähigkeit.

übergreifende Ebeneninteraktion;semantische Segmentierung;Luftbilder;Leichtgewichtigkeit;Richtungsentkopplung