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いて特徴抽出が不十分でエッジがぼやけており、小規模な目標が見落とされる問題に対処し、高解像度リモートセンシング画像の詳細なセグメンテーションを実現する全方向矩形補正ネットワーク（ORCNet）を提案する。まず、全方向矩形補正状態空間モジュール（ORSM）を設計し、八方向スキャンと幾何学的に感知が鋭い重み補正を通じて、特徴の幾何学的適応性と目標保存能力を向上させる。次に、補完フィルタリング複合特徴融合モジュール（CFHAF）を構築し、チャネル、空間、ピクセルレベルの注意メカニズムを融合して多スケール特徴を自動的に融合し、意味認識を向上させる。最後に、動的ポイントアップサンプリング技術（DySample）を最適化して境界の詳細を回復し、Focal-Dice混合損失関数を組み合わせてトレーニングを最適化する。実験結果では、ORCNetはMassachusetts buildingsデータセットでF1スコアが84.64%、mIoUが77.07%、deepglobe-road-datasetではF1スコアが85.32%、RSMambaより3.51%向上している。この手法はリモートセンシングセグメンテーションの問題を効果的に克服し、著しい高精度、強力な安定性、優れた実際の応用潜在性を有している。

リモートセンシング画像セグメンテーション; 矩形自己修正; 状態空間モデル; マルチスケール特徴統合; エッジの詳細最適化; 動的アップサンプリング