Hi-ResNet：面向高分辨率遥感分割的边缘细节增强

高分辨率遥感（High-Resolution Remote Sensing, HRS）语义分割旨在从高分辨率影像中提取关键目标。然而，HRS图像中同一类别的目标在不同地理环境中通常表现出显著的尺度与形状差异，导致数据分布难以建模。此外，复杂的背景环境使得不同类别目标在外观上高度相似，从而引发大量目标被误分类为背景，严重影响分割精度。上述问题使得现有学习算法性能受限。为此，本文提出一种高效网络结构设计的高分辨率遥感语义分割网络——Hi-ResNet。该网络由三个核心模块依次构成：漏斗模块（funnel module）、堆叠信息聚合（Information Aggregation, IA）块的多分支模块，以及特征精炼模块，并引入类无关边缘感知损失（Class-agnostic Edge Aware, CEA）函数。具体而言，首先设计漏斗模块对输入图像进行下采样，有效降低计算开销，同时保留初始输入图像的高分辨率语义信息；其次，将处理后的特征图逐步下采样至多分辨率分支，以捕捉不同尺度下的图像特征，并引入IA块，利用注意力机制有效捕获关键潜在特征，实现高效特征聚合，从而区分同一类别中尺度与形状各异的图像特征；最后，特征精炼模块融合CEA损失函数，通过增强外观相似但类别不同的目标之间的可区分性，提升模型对正确预测的判别能力，扩大数据分布间的分类边界。结合有效的预训练策略，我们在三个主流高分辨率遥感语义分割基准数据集上验证了Hi-ResNet的优越性能，结果表明其显著优于当前最先进的方法。