摘要
航空影像可用于全球范围内的重大应用。然而，利用神经网络架构对这类数据进行分析的性能，相较于PASCAL VOC、Cityscapes和CamVid等主流数据集的当前最先进水平仍存在明显差距。本文旨在弥合主流数据集与航空影像数据之间的性能差距。目前，针对航空影像在多类别场景下应用最先进神经网络架构的研究仍十分有限。通过对数据增强、归一化方法、图像尺寸及损失函数的实验分析，我们为航空影像语义分割任务构建了高性能模型配置提供了深入见解。本研究采用最先进的DeepLabv3+ Xception65架构，在DroneDeploy验证集上取得了70%的平均交并比（mean IOU）成绩，显著超越当前公开可用的最先进方法在该验证集上的表现（65%），提升幅度达5个百分点。此外，据我们所知，目前尚无针对DroneDeploy测试集的mIOU基准数据。因此，本文还基于表现最佳的DeepLabv3+ Xception65架构，首次提出了该测试集的新基准，取得了52.5%的mIOU得分。