Para solucionar problemas como extração incompleta de características, bordas borradas e omissão de pequenos alvos na segmentação de imagens de sensoriamento remoto de alta resolução, foi proposta uma metodologia de segmentação de detalhes baseada em calibração retangular omnidirecional, construindo a Rede de Calibração Retangular Omnidirecional (Omnidirectional Rectangular Calibration Network, ORCNet). Primeiramente, foi projetado o Módulo de Espaço de Estado da Calibração Retangular Omnidirecional (Omnidirectional Rectangular Calibration State Space Module, ORSM), que através de varredura em oito direções e calibração de pesos sensíveis à geometria, melhora a adaptabilidade geométrica das características e a capacidade de retenção do alvo. Em seguida, foi construído o Módulo de Fusão de Atenção Híbrida com Filtragem Complementar (Complementary Filtering Hybrid Attention Fusion Module, CFHAF), que integra mecanismos de atenção em nível de canal, espacial e de pixel, para realizar fusão adaptativa de características multiescala, reforçando a percepção semântica. Por fim, a técnica de sobreamostragem dinâmica de pontos (Dynamic Point Upsampling, DySample) foi incorporada para otimizar a recuperação dos detalhes das bordas, combinada com a função de perda mista Focal-Dice para otimização do treinamento. Resultados experimentais mostram que o ORCNet alcançou F1-score de 84,64% e mIoU de 77,07% no conjunto de dados Massachusetts buildings, e F1-score de 85,32% no deepglobe-road-dataset, com melhoria de 3,51% em comparação ao RSMamba. Este método supera efetivamente os problemas existentes na segmentação de sensoriamento remoto, possuindo alta precisão, forte estabilidade e excelente potencial de aplicação prática.

Segmentação de imagens de sensoriamento remoto; calibração retangular automática; modelo de espaço de estado; fusão de características multiescala; otimização de detalhes de borda; sobreamostragem dinâmica