摘要
本文提出了一种改进的U-Net架构训练协议，用于航空影像的语义分割。我们在具有挑战性的FLAIR #2数据集上验证了所提出方法的有效性。通过开展详尽的消融实验，系统分析了不同组件对整体性能的影响，涵盖不同模型主干网络（backbone）、图像增强策略、学习率调度器、损失函数以及训练流程的对比研究。此外，我们提出了一种两阶段训练策略，并评估了多种模型集成（ensemble）方案的性能表现。基于实验结果，我们最终确定了最优的模型训练配置。该最终方案将相对误差降低了约18%，并实现了0.641的mIoU（平均交并比），创下该任务新的最先进（state-of-the-art）性能纪录。相关代码已开源，地址为：https://github.com/strakaj/U-Net-for-remote-sensing。