高解像度リモートセンシング画像のセグメンテーションにおける特徴抽出の不完全さ、エッジのぼやけ、小さなターゲットの検出漏れなどの課題に対して、全方向矩形校正に基づく高解像度リモートセンシング画像のディテールセグメンテーション手法を提案し、全方向矩形校正ネットワーク（Omnidirectional Rectangular Calibration Network、ORCNet）を構築した。まず、八方向スキャンと幾何学的センシティブウェイト校正により、特徴の幾何適応性とターゲット保持能力を向上させる全方向矩形校正状態空間モジュール（Omnidirectional Rectangular Calibration State Space Module、ORSM）を設計した。続いて、チャネル、空間、ピクセルレベルの注意機構を融合し、多スケール特徴の適応的融合を実現して意味認識を強化する補完フィルタリングハイブリッド注意融合モジュール（Complementary Filtering Hybrid Attention Fusion Module、CFHAF）を構築した。最後に、境界ディテール復元能力を最適化する動的点アップサンプリング技術（Dynamic Point Upsampling、DySample）を融合し、Focal-Dice混合損失関数を用いて訓練最適化を行った。実験結果により、ORCNetはMassachusetts buildingsデータセットでF1スコア84.64%、mIoU77.07%を達成し、deepglobe-road-datasetではF1スコア85.32%でRSMambaより3.51%向上したことが示された。本手法はリモートセンシングセグメンテーションに存在する問題を効果的に克服し、高精度、強力な安定性、および優れた実用性を備えている。

リモートセンシング画像セグメンテーション;矩形自己校正;状態空間モデル;マルチスケール特徴融合;エッジディテール最適化;動的アップサンプリング