袁伟，许文波，周甜

1. 成都大学 建筑与土木工程学院，成都 610106 2. 电子科技大学 资源与环境学院，成都 610097

1 引言

分割遥感影像获取地理信息数据现已成为主流的地理信息数据获取途径，在诸多项目中得到使用，特别是在大区域的地籍调查、生态监测、地理国情监测等项目中，其优势尤为明显。传统的遥感图像分割主要是依靠像素值的特点函数关系进行计算，将差异较小的像元归属为同一类别，如分水岭算法[1]、主动轮廓模型[2]、统计区域融合[3]、联合多种空间特征的高光谱图像空谱分类方法[4]、基于多特征的遥感图像分割算法[5]等。由于地物存在同物异谱或异物同谱的现象，传统方法的分类效果十分有限。

随着深度学习技术的出现和发展，不少学者将深度学习技术应用到遥感影像分割上，取得了较好的效果，如对房屋的提取[6]、对道路的提取[7]。但是多数都集中在对房屋、植被等的提取上，这类地物的特点是在图幅中的占比较大。而在遥感解译中，小目标的检测、分割也是实际生产的需求之一，如对于大海中舰船的检测或分割，路面汽车的检测或分割，输电塔的检测或分割等。

小目标分割时，由于背景与前景存在明显的不均衡，背景往往大大多于前景，致使损失函数由背景主导，分割效果不佳。针对这个问题，文献[8-10]通过对数据集进行重采样的方式达到样本类别相对平衡，但是会破坏数据的分布和丢失信息；文献[11-12]通过修改交叉熵损失函数的形式来增强网络识别小类别的能力；……