遥感图像具有细节信息丰富、地物结构多样、类别不平衡等特点，若将传统语义分割算法应用于遥感图像，得到的效果并不理想且运算量巨大。为了提升遥感图像语义分割的效率，本书充分利用卷积神经网络的特征提取能力，基于轻量级语义分割模型ENet，融入通道注意力机制和特征融合策略，提出一种改进的轻量级实时语义分割网络模型EFSE-ENet，通过对通道维度上的特征权重重新标定、多层级特征信息的堆叠，实现了对高分辨率遥感图像的快速、精确分割，体现了其研究价值。

王溢琴，女，山西高平人，1980年生，硕士研究生。2004年毕业于太原师范学院计算机系，2007年毕业于天津师范大学计算机与信息工程学院，获得工学硕士学位，现为晋中学院信息技术与工程系副教授。主要从事深度学习、图像处理、在线行为分析及远程教学等方面的科研与教学工作。近5年来，主持省级以上课题4项，指导省级大学生创新项目1项，指导学生在“互联网+”大学生创新创业大赛中多次获奖，发表学术论文20余篇，其中SCI、EI收录4篇。

1 绪论
1.1 研究背景及意义
1.2 深度学习与计算机视觉
1.3 国内外研究现状
1.4 主要研究内容与章节安排
2 深度学习基础
2.1 卷积神经网络的基础结构
2.2 卷积神经网络的训练与调优
2.3 经典卷积神经网络模型
2.4 迁移学习
2.5 本章小结
3 基于像素分类的图像语义分割方法
3.1 全卷积神经网络
3.2 基于FCN的编码-解码结构语义分割方法
3.3 基于FCN的扩张卷积语义分割方法
3.4 基于FCN的GAN语义分割方法
3.5 基于FCN的轻量级语义分割方法
3.6 本章小结
4 一种改进ENet的遥感图像语义分割方法
4.1 融合SE模块的ENet网络架构
4.2 实验环境配置
4.3 语义分割精度评价指标
4.4 常用数据集及数据增强
4.5 语义分割常用损失函数
4.6 实验结果分析
4.7 本章小结
5 基于特征融合的遥感图像语义分割增强算法EFSE-ENet
5.1 优化的EFSE-ENet网络模型
5.2 实验设置
5.3 实验结果分析
5.4 运行效率分析
5.5 算法拓展
5.6 本章小结
6 总结与展望
6.1 总结
6.2 下一步研究工作
6.3 展望
参考文献
缩略语对照表