Для решения проблемы неполного извлечения признаков, размытых границ и пропуска мелких объектов в сегментации высокоразрешающих снимков дистанционного зондирования, предложен метод детальной сегментации высокоразрешающих снимков дистанционного зондирования на основе полной калибровки квадратов (Omnidirectional Rectangular Calibration Network, ORCNet). Во-первых, разработан модуль состояния пространства полной калибровки квадратов (Omnidirectional Rectangular Calibration State Space Module, ORSM), который повышает геометрическую адаптивность признаков и способность сохранения объектов посредством восьмистороннего сканирования и геометрической чувствительной калибровки весов. Затем построен модуль слияния аттеншн-фильтрации смешанных дополняющих функций (Complementary Filtering Hybrid Attention Fusion Module, CFHAF), объединяющий механизмы внимания на канальном, пространственном и пиксельном уровнях для адаптивного слияния многомасштабных признаков и усиления семантического восприятия. Наконец, оптимизирована техника динамического опорного повышения точек (Dynamic Point Upsampling, DySample) для восстановления граничных деталей совместно с обучением и оптимизацией функции смешанной потери Focal-Dice. Экспериментальные результаты показали, что ORCNet достигает F1score 84.64% и mIoU 77.07% на наборе данных Massachusetts buildings, и F1score 85.32% на наборе данных deepglobe-road-dataset, что превышает на 3.51% результаты RSMamba. Этот метод успешно преодолел существующие проблемы сегментации дистанционного зондирования, обладает высокой точностью, сильной устойчивостью и отличным потенциалом для практического применения.

Сегментация снимков дистанционного зондирования; Полная калибровка квадратов; Модуль состояния пространства; Адаптивное слияние многомасштабных признаков; Оптимизация деталей границы; Динамическое опорное повышение точек