针对卷积神经网络在遥感影像分类时遇到的模型参数量过大和分类精度低等问题，在DeeplabV3+网络的基础上，将编码器中的深层特征提取器替换为轻量化网络MobilenetV2和Xception_65，将解码器结构改为逐层特征融合实现解码区上采样的细化，引入通道注意力模块加强编解码器之间的信息关联，引入多尺度监督实现感受野自适应。构建4种具有不同编解码结构的网络，在CCF数据集上对网络进行验证测试。实验结果表明，编码器采用Xception_65，解码器同时引入逐层连接、通道注意力模块和多尺度监督的MS-XDeeplabV3+网络在减少模型参数量、加快模型训练速度的同时能更细化地物的边缘信息，提高对道路、水体等线状地物和草地的分类精度，像素总体精度和Kappa系数分别达0.9122和0.8646，在遥感影像分类中效果最佳。

针对目前的无监督学习方法在单目图像深度估计中存在深度估计不准确、边缘模糊的问题, 提出了一种融合多尺度特征信息和语义信息的无监督单目深度估计网络。该网络不仅引入了从编码器到解码器的跳层连接来实现不同尺度特征的提取和融合, 还在编码器和解码器之间引入多个空洞卷积并行的语义层来增加感受野, 使得结果更加准确。最后在KITTI数据集上进行了训练和测试, 误差指标均低于目前的无监督学习方法, 图像预测的准确率在3个比例阈值下分别达到了91%, 96.8%和98.7%, 超过了所有的监督和无监督的方法, 使场景中各目标的边缘更清晰, 层次也更分明。

为了解决自注意力机制的注意力图计算复杂度高、内存占用大等问题,同时提高语义分割网络的性能,提出了一种基于注意力编码的轻量化网络。该网络用自适应位置注意力模块和全局注意力上采样模块分别对长距离语义依赖关系进行编码和解码,在计算注意力图时先用自适应位置注意力模块排除无用的基组,再获取上下文信息;全局注意力上采样模块用全局上下文信息引导低层特征重构高分辨率图像。实验结果表明,本网络在PASCAL VOC2012验证集上的分割精度达到84.9%,相比分割精度相近的双路注意力网络,本网络的每秒浮点运算次数降低了16.9%,占用的GPU内存减少了12.9%。

针对光电图像语义分割问题, 提出了一种基于编解码(Encoder-Decoder)结构和图像局部增强的分割算法。首先, 采用基于互质因子的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块减小多尺度空洞卷积(Atrous Convolution)引入的网格效应, 提升卷积核的像素近邻信息表征能力; 其次, 对分割难度较大的图像局部区域, 采用融合平均交并比(Mean Intersection Over Union, MIOU)和交叉信息熵的损失函数, 结合权值衰减策略, 提高这些局部区域的像素权重。实验结果表明, 提出的改进算法能有效提升图像语义分割精度。