第51卷收稿日期：2022年8月14日，修回日期：2022年9月17日基金项目：山西省交通建设科技项目（编号：20190568）资助。作者简介：陈国军，男，博士，副教授，研究方向：图形图像处理，计算机视觉。尹冲，男，硕士，研究方向：图形图像处理。滕一诺，女，硕士，研究方向：图形图像处理。王雯璇，女，硕士，研究方向：图形图像处理。∗1引言无人机图像是遥感图像的一种，近年来无人机因便携性强、成本较低、成像效果好等优点，成为高分辨率遥感数据采集的重要手段，在资源调查、监测与分类等方面得到广泛研究和应用［1］。传统算法会受到浅层特征学习的泛化和复杂函数的表示等方面的制约。深度学习从大量的数据中抽取层次特征，能够反映底层到高层的特征映射关系。卷积神经网络的发展，为图像分割和分类提供新的思路。Long［2］等提出的FCN将卷积神经网络应用到分割任务上。Ronneberger［3］等提出的U-Net用于医学图像分割，结构简单，样本较少，训练速度快。Chen等提出多个版本的DeepLab。DeepLabv1基于深度学习的无人机地物图像分割方法∗陈国军尹冲滕一诺王雯璇（中国石油大学（华东）计算机科学与技术学院青岛266580）摘要针对无人机地物图像的传统分割方法工程量大，效率低下，深度学习的无人机地物图像分割算法在复杂场景下精度不高和数据集的类别不均衡（长尾数据）等问题，提出一种基于深度学习的高分辨率无人机地物图像分割方法，用于提高不同地貌区域的分割精度。在语义分割模型DeepLabv3的基础上进行改进，将原始主干网络ResNet101替换为ResNet152并添加预训练模型，调整扩张卷积空间金字塔池化模块的扩张率，采用类别平衡损失函数来解决长尾数据问题。在采集的无人机地物图像数据集上进行训练并通过测试集的分割效果证明模型改进方法的有效性。根据实验模型分割效果表明，改进后的方法在测试集上平均交并比达到70.8%，相比原始模型提升了27.2%，能够得到效果更好的分割结果。关键词深度学习；语义分割；长尾数据；类别平衡损失函数；无人机地物图像中图分类号TP39；TP75DOI：10.3969/j.issn.1672-9722.2023.03.031UnmannedAerialVehicleGroundObjectImageSegmentationMethodBasedonDeepLearningCHENGuojunYINChongTENGYinuoWANGWenxuan（CollegeofComputerScienceandTechnology，ChinaUniversityofPetroleum（EastChina），Qingdao266580）AbstractTraditionalsegmentationmethodsforUAVgroundobjectimageshavealargeamountofengineeringa...
