摘要：在遥感图像中提取建筑物特征时，下采样操作容易造成空间纹理信息的丢失，导致物体边界模糊或粘连，影响小目标语义分割结果的完整性和准确率。为解决上述问题，在HRNet的基础上提出一种融合多尺度上下文信息的语义分割算法。首先，采用Res2Net模块进行多尺度特征提取，捕捉物体细节和全局特征；其次，设计出多尺度上下文信息融合模块来提取深层特征的上下文信息，通过与浅层特征融合叠加，赋予其丰富的空间信息；最后，使用逐步上采样来融合不同尺度的特征图，恢复分割图像的细节。在LoveDA和Vaihingen数据集上的实验结果表明，本算法的平均交并比分别达到了51.27%和73.1%，有效提升小目标的分割精度。和其他算法相比，本文所提出的算法分割结果更完整，准确度更高。
文章目录
0 引言
1 方法结构
1.1 整体结构
1.2 Res2Net模块替换Bottleneck模块
1.3 多尺度上下文信息融合模块
1.4 损失函数
2 实验设置和评价指标
2.1 数据集
2.2 参数设置
2.3 评价指标
3 实验结果与分析
3.1 消融实验
3.2 在LoveDA 数据集上的比较和分析
3.3 在 Vaihinge 数据集上的比较和分析
3.4 算法性能分析
4 结束语
