摘要
类别不平衡是遥感图像语义分割中的一个根本性挑战，导致深度卷积网络系统性地忽略车辆和小型水体等少数类别。针对这一问题，我们提出了一个类别分布感知的对抗训练框架，在特征表示层面显式惩罚模型对主导类别的偏差。该框架包含两个关键组件。首先，层次注意力U型网络（HAU-Net）在多个尺度上集成了并行混合注意力模块（PHAM），结合空间注意力和通道注意力，以增强对小型且稀疏分布物体的特征响应。其次，通过训练一个分布判别器来区分每类的预测概率分布与平衡的均匀先验分布；借助极小极大博弈，分割网络被强制生成类别均衡的预测结果，而无需对损失进行人工重新加权。在ISPRS Potsdam和Vaihingen数据集上进行的大量实验表明，我们的方法整体mIoU达到73.82%，相较于我们的非对抗基线方法，在严重欠代表的少数类别上取得了显著提升，包括车辆类别的IoU提升了12.11%，杂乱/背景类别的IoU提升了19.26%。消融实验证实，层次注意力设计与对抗训练各自独立地对这些改进做出了贡献。我们的框架为遥感分割中的类别不平衡问题提供了一种有效的解决方案，并有望集成到各种分割架构中。
