摘要：面向电力自动化领域,针对在遥感影像关键地物信息提取过程中,地物类别分布不均衡和不同域场景风格差异较大带来提取效果一般的问题,采用一种改进Deeplabv 3+语义分割网络.首先,在主干网络ResNet 101中使用ibn模块,用于增强模型对风格差异较大的遥感影像的泛化能力,同时为了进一步提高模型的分割精度,在网络中加入SE模块,加强重要的通道信息,缓解信息丢失问题;然后,损失函数使用Dice+Focal的联合损失函数,Dice Loss损失函数可缓解类别分布不均衡对小目标提取的影响,Focal Loss损失函数不仅可以使得模型更关注分类困难的目标,还可以改善Dice Loss造成的网络训练的不稳定.实验结果表明:所提出改进Deeplabv 3+与原Deeplabv 3+模型相比,将F 1-Score提高了7.78%,Intersection over Union提高了5.78%;与其他主流语义分割模型(包括FCN、UNet、SegNet)相比,所提出改进Deeplabv 3+在地物提取中实现了更好的分割精度.