摘要
小目标语义分割任务旨在从高分辨率遥感（HRS）影像中自动提取关键目标。与遥感影像通常覆盖的大范围区域相比，HRS影像中的关键目标（如车辆、船舶等）往往仅占据几个像素，具有显著的细小特征。针对这一挑战，本文从结构设计与优化策略两个角度，提出了一种基于前景激活（Foreground Activation, FA）驱动的小目标语义分割框架——FactSeg。在结构设计方面，本文提出了一种FA目标表征方法，以增强对小目标中微弱特征的感知能力。该表征框架由双分支解码器与协同概率（Collaborative Probability, CP）损失函数构成。在双分支解码器中，FA分支旨在激活小目标特征并抑制大范围背景干扰，而语义精炼（Semantic Refinement, SR）分支则用于进一步区分小目标，实现特征的精细化表达。CP损失函数在协同概率假设下，有效融合解码器的激活输出与精炼输出。在协作过程中，激活输出增强了小目标的微弱特征，而精炼输出可视为对二值分割结果的优化与细化。在优化阶段，引入基于小目标挖掘（Small Object Mining, SOM）的网络优化策略，实现对有效样本的自动筛选，从而引导优化方向，并有效缓解小目标与大范围背景之间的样本不平衡问题。在两个基准高分辨率遥感影像分割数据集上的实验结果表明，所提出的FactSeg框架在性能上优于当前最先进的语义分割方法，同时在精度与效率之间实现了良好的平衡。