摘要
云及云阴影分割是光学遥感图像分析中的基础性任务。当前地理空间影像中云与阴影识别的方法在准确性方面仍有不足，尤其是在存在积雪和霾等复杂背景条件下表现尤为明显。本文提出了一种基于深度学习的框架，用于 Landsat 8 影像中的云与云阴影检测。所提方法采用一种改进型卷积神经网络——Cloud-Net+（基于我们先前提出的 Cloud-Net 模型 \cite{myigarss} 的优化版本），并结合一种新型损失函数——滤波 Jaccard 损失（Filtered Jaccard Loss）进行训练。该损失函数对图像中前景目标缺失的情况更为敏感，相较于其他常见损失函数，能够更精确地对预测掩膜进行惩罚或奖励，从而提升分割精度。此外，为增强云阴影检测模型的泛化能力，本文还提出了一种考虑光照方向的图像增强技术，通过扩充现有训练数据集，有效提升模型在多样化场景下的适应性。实验结果表明，Cloud-Net+、滤波 Jaccard 损失函数与所提增强算法的联合应用，在四个公开的云/阴影检测数据集上均取得了优异性能。此外，我们在 Pascal VOC 数据集上的实验进一步验证了所提出网络结构与损失函数在其他计算机视觉任务中的适用性与高质量表现。