Para enfrentar os problemas de extração insuficiente de características, bordas borradas e pequenos objetivos perdidos na segmentação de imagens de sensoriamento remoto de alta resolução, propomos um método de segmentação de detalhes de imagem de sensoriamento remoto de alta resolução com base na calibração retangular omnidirecional, construindo a Rede de Calibração Retangular Omnidirecional (ORCNet). Primeiro, projetamos o Módulo de Espaço de Estado de Calibração Retangular Omnidirecional (ORSM) para melhorar a adaptabilidade geométrica das características e a capacidade de preservação do objetivo, por meio de varreduras oito direções e calibração de pesos geometricamente sensíveis. Em seguida, construímos o Módulo de Fusão de Atenção Híbrida de Filtragem Complementar (CFHAF) para fundir mecanismos de atenção a nível de canal, espacial e de pixel, realizando a fusão adaptativa de características em várias escalas e aprimorando a percepção semântica. Por fim, otimizamos a recuperação de detalhes de borda com a tecnologia de amostragem dinâmica de pontos (DySample) e combinamos a função de perda mista Focal-Dice para treinamento otimizado. Os resultados experimentais mostram que o ORCNet alcança uma pontuação F1 de 84,64% e uma mIoU de 77,07% no conjunto de dados de edifícios de Massachusetts e uma pontuação F1 de 85,32% no conjunto de dados deepglobe-road, um aumento de 3,51% em relação ao RSMamba. Este método supera efetivamente os problemas na segmentação remota, exibindo alta precisão, forte estabilidade e excelente potencial de aplicação prática.

Segmentação de imagem de sensoriamento remoto; Autocalibração retangular; Modelo de espaço de estado; Fusão de características multiescala; Otimização de detalhes de borda; Amostragem dinâmica de pontos