企业官网建设流程全解析

033、语义分割边缘粗糙、小目标漏检？U-Net/DeepLab 改进与后处理优化方案

一、从一次真实调试说起

上个月帮一个做遥感图像分割的团队调模型，他们用的是U-Net，跑出来的结果让我血压直接拉满——建筑物边缘像狗啃的，小汽车几乎全漏检，只有大块农田分割得还行。团队负责人一脸无辜：“我们加了数据增强，学习率也调了，怎么还是这样？”

我打开他们的预测结果，放大一看，边缘像素点要么被错误分类成背景，要么就是那种“半死不活”的模糊概率值。小目标区域更是惨不忍睹，一个停车场里十几辆车，模型只认出来两辆，还都是轮廓残缺的。

这种问题太典型了。语义分割的边缘粗糙和小目标漏检，本质上是两个不同层面的问题，但经常同时出现。边缘粗糙是空间信息丢失，小目标漏检是特征尺度不匹配。别指望一个trick能同时解决，得分开下药。

二、边缘粗糙：别只盯着损失函数

很多人一看到边缘粗糙，第一反应就是换损失函数，上Dice Loss、Focal Loss。但说实话，损失函数能做的有限，它只是让模型在训练时更关注难样本，如果网络结构本身就没能力捕捉边缘细节，换啥损失都白搭。

2.1 U-Net的跳跃连接，你真的用对了吗？

U-Net的跳跃连接本来就是为了保留空间信息设计的，但很多人实现的时候偷懒，直接把encoder的特征图拼接到decoder。这里有个坑——encoder的特征图经过多次下采样，分辨率已经降低了，直接拼接会导致decoder学到的边缘信息是“模糊版”的。

<