摘要
在大规模航空影像中进行建筑物分割是一项极具挑战性的任务，尤其在密集且杂乱的城市环境中，小型建筑物的分割尤为困难。卫星遥感影像中的建筑物结构复杂，几何轮廓差异极大，进一步加剧了分割任务的难度。本文提出一种新方法，用于解决在光学（Electro-Optical, EO）与合成孔径雷达（SAR）卫星影像中检测并分割小型且形状复杂的建筑物问题。为此，我们提出了一种新颖的深度多尺度感知过完备网络架构——DeepMAO（Deep Multi-scale Aware Overcomplete Network）。该架构包含两个分支：一个过完备分支，专注于提取精细的结构特征；另一个欠完备分支（即U-Net结构），负责捕捉粗粒度但语义信息丰富的特征。此外，本文还提出一种新型自调节增强策略——“Loss-Mix”，通过动态增强误分类像素的像素表示，提升模型对困难样本的学习能力。实验结果表明，DeepMAO在SpaceNet 6数据集（涵盖EO与SAR模态）以及INRIA数据集上均取得了当前最优的建筑物分割性能，尤其在小型及几何形状复杂的建筑物分割方面表现突出，且模型参数量几乎未增加。值得注意的是，DeepMAO中引入的过完备分支在有效抑制SAR影像固有的斑点噪声方面发挥了重要作用，显著提升了模型在SAR模态下的鲁棒性。