En los últimos años, se han utilizado drones de pequeña escala en tareas heterogéneas, como el control fronterizo, la agricultura de precisión y la búsqueda y rescate. Esto se debe principalmente a su pequeño tamaño que permite un fácil despliegue, su bajo costo y su creciente capacidad de computación. Este último aspecto permite a investigadores e industrias desarrollar algoritmos complejos de aprendizaje automático y profundo para varias tareas desafiantes, como la clasificación de objetos, la detección de objetos y la segmentación. Centrándose en la segmentación, este artículo propone un nuevo modelo de aprendizaje profundo para la segmentación semántica. El modelo sigue un enfoque multicanal completamente convolucional para realizar la segmentación en diferentes escalas de imagen. Varios flujos realizan convoluciones aprovechando núcleos de diferentes tamaños, haciendo que las tareas de segmentación sean robustas a los cambios de altitud de vuelo. Se realizaron extensos experimentos en el conjunto de datos de Mosaico y Detección de Cambios de UAV (UMCD), destacando la efectividad del método propuesto.