摘要
本文提出了一种基于深度学习的小型地表水体识别方法，利用多光谱卫星影像实现高效检测。该方法通过优化模型结构，将计算复杂度降低了18.66倍，同时将地表水识别准确率提升最高达14.1%。所提出的模型融合近红外波段与RGB光谱影像，显著提升了地表水识别的精度。此外，由于地表水在遥感数据集中所占比例极小，导致样本分布严重失衡，为此本文设计了一种新型损失函数，结合基于区域的损失与基于分布的损失，以缓解不平衡问题。进一步地，本文引入一种自适应因子，可自动调节分布损失与区域损失之间的权重。该自适应因子的取值依据前一训练步骤的损失值动态确定。实验结果表明，预测区域与真实标注区域之间的平均交并比（mean Intersection over Union, mIoU）达到0.80，验证了模型在地表水识别任务中的优异性能。