遥感图像里的水体提取是遥感应用里最常见也最折磨人的需求之一。常见到任何和国土、水利、规划沾边的项目都会遇到折磨人则在“水体”这俩字根本不是一种东西湖泊是一大块光滑均质的深色面河流是蜿蜒细长的条带海洋则是占据大半景深、边界模糊到和滩涂融为一体的巨大色块。三个东西看形状和尺度的差异就知道硬用一套通用目标检测逻辑去套很容易做出一个“看起来能跑换一张图就废”的模型。这篇要写的是基于RetinaNet把这三类水体做到“识别加定位”的一次实战过程系列第二篇。第一篇侧重数据整理和标注思路没看过也不影响核心内容这篇都会覆盖这篇重点放在模型选型、训练参数调节、推理部署以及几个典型到不能再典型的坑上。适合手里有遥感影像、想用目标检测方式出一套水体识别方案的技术人员也适合刚转行做遥感AI、想搞清楚为什么自己YOLO怎么调都搞不定细长目标的同学。1. 水体检测的整体设计——为什么偏偏是RetinaNet1.1 水体场景的特殊性分析先摆个事实水体识别任务和常规目标检测有个本质区别——背景的杀伤力太大了。常规目标检测里比如检测车辆、检测行人背景复杂度高但目标本身有清晰的可判别结构。水体不一样它在可见光影像上的表观特征就是个均匀色块既没有纹理也没有角点你能依赖的只有光谱统计特征和空间上下文。更麻烦的是三类水体之间的类间差异极小湖泊和水库在形状上都是大面积闭合水域河流和狭长养殖塘的宽度可能只有几十个像素海洋和近岸滩涂浅水区域的光谱曲线几乎完全纠缠在一起。这意味着什么意味着模型必须具备极强的多尺度感知能力得能同时看大目标的全貌和小目标的局部纹理。此外遥感影像特有的问题——目标尺度跨度极大从十几个像素的细长溪流到占据整张图的大型湖泊——对检测器的尺度泛化能力提出了远高于自然图像的要求。我用过YOLO系列用过Faster R-CNN最终固定到RetinaNet核心原因就两个字稳定。YOLO系列的anchor设计和后处理逻辑在细长目标上容易丢框而Faster R-CNN训练在遥感大图上收敛非常慢。RetinaNet用FPN做多尺度特征加上Focal Loss解决正负样本极端不平衡在这类“小目标躲藏、大目标占满视野”的场景下是天然适配的。1.2 检测器选型对比与最终决策做一个简单但很能说明问题的对比基于我实测的几组结论检测器系列多尺度能力细长目标表现样本不均衡处理训练成本遥感场景综合评价YOLOv5/v8中依赖Mosaic增强一般长宽比大的目标容易丢失弱靠采样策略硬扛低能跑但上限低Faster R-CNN中Faster RPN有局限较好RoIAlign保留细节中两阶段本身有缓解高精度可以但迭代慢RetinaNet强FPN多层级覆盖强多长宽比anchor FPN强Focal Loss天然应对中最适合水体这种极端尺度分布RetinaNet的FPN在P3到P7五个层上都独立预测每个特征层对应特定尺度的目标这种结构对水体场景是决定性的。注意FPN各层对应感受野差异很大用高层特征检测大目标、低层特征检测细长目标天然解决了湖泊和河流尺度跨度大的问题。另外一个决定因素水体目标边界往往是渐进过渡的比如河流入海口、浅滩区域颜色渐变导致边界模糊。RetinaNet这种逐像素密集预测的分类头搭配回归头不会因为边界模糊就丢掉目标而是会输出一个“边界置信度稍低但依然能命中”的框。相比YOLO那种中心点加网格的强约束方式这种“松”其实是优点。2. 数据准备与增强处理的实战细节2.1 遥感影像的切片策略与标注规范数据是一切的基础前期工作占整个项目的六成时间都不夸张。遥感原始影像动辄几千乘几千像素而目标检测模型需要固定尺寸输入一般是512到1024像素。切片是必须的一步但怎么切直接决定模型的成败。我用的策略是滑窗裁剪加10%到20%的重叠度。重叠度这个参数很容易被忽视实际非常关键如果一个目标恰好被裁在两张图的交界处没有重叠的话它会被硬生生截断成两个残片模型训练时看到“半个湖”或者“半条河”学出来的特征必然是残缺的。重叠之后同一个目标在相邻图上都完整出现训练信号一致得多了。再说标注规范。水体类型的标注有个隐蔽但致命的问题容易遗漏。人工标注时大片湖泊、宽阔江面一眼就能看到但狭窄河道、细小溪流往往需要放大到单像素级别才能判断。我定了一套规范约束标注质量三类水体湖泊、河流、海洋使用互斥标签不允许同一目标叠加两种标签边界模糊的区域放大到影像分辨率极限去判断实在看不清宁可缩小标注范围也不扩大最低标注宽度阈值河流宽度低于10个像素的段落不标注作为背景处理湖泊与河流相交的入口区域按河流标注因为湖泊类别的特征会被河流“稀释”最后这条规则很重要。如果不做这种区分模型会在水体交界的区域学到模棱两可的特征造成后续推理时一类目标被另一类“吞噬”的现象。2.2 数据增强与多光谱通道融合数据增强方面我的常用组合是随机水平翻转、随机垂直翻转、随机旋转90度倍数和随机裁切。遥感影像是天顶视角拍摄的不需要担心“倒置”导致的语义错误所以翻转和旋转这类几何增强可以放心用满。但要注意一个原则不要对水体做颜色抖动增强。水体识别的基础是光谱特征如果对颜色做随机扰动RGB各通道的关系被打乱模型会把“颜色不准”错当成“光谱变化”训练出来的模型在真实影像上会脆弱得多。我之前在某个项目上吃过这个亏加了颜色扰动后训练集精度非常高一到真实影像上就一片误检后来排查到原因把颜色类增强全去掉了精度立刻回升。灰度化和对比度增强可以做但也要克制——遥感影像的光谱一致性本来就容易受大气条件、拍摄时间影响人为再加大差异只会让模型学习到维度变化的噪声。多光谱通道融合是最能提升水体识别效果的一个技巧。RGB三个通道对水体识别的能力有限特别是海洋和湖泊这种大面积水域在可见光下差异极小。我的做法是引入归一化水体指数NDWI将NDWI计算出来的单通道和RGB三通道拼接成四通道输入。NDWI的计算公式是NDWI (Green - NIR) / (Green NIR)其中Green是绿波段NIR是近红外波段。水体在近红外波段吸收极强反射率极低而陆地植被和土壤的近红外反射率高所以NDWI图上水体区域的值非常突出和陆地区域有明显的分布差距。用这个四通道输入模型的区分能力是显著超过纯RGB的。代价是数据准备更复杂得有近红外波段的源数据。现在的商用遥感影像数据卫星影像、航空影像大多带近红外波段具备做这个的前提条件。2.3 Anchor参数设计与目标形状适配RetinaNet的默认anchor长宽比是{1:2, 1:1, 2:1}面积从32像素到512像素按等比缩放。这个配置在自然图像上是合理的但针对水体场景需要调整。细长河流的长宽比经常超过1:8湖泊则是接近1:1的紧凑形状。用默认配置跑模型对河流的检测效果会很差因为和anchor的IoU匹配率太低正样本不足。我这边的改动方案是在每个特征层上将长宽比扩展为{1:4, 1:2, 1:1, 2:1, 4:1}并额外增加一组宽高比为1:8和8:1的细长anchor用于覆盖极端细长的河流目标。增加了这组anchor之后训练的正样本数量明显增加河流的召回率从0.72提到了0.85以上。anchor面积的设计上有一个细节也很值钱FPN的P3对应最小anchor面积32但水体细长目标的像素面积如果小于32乘32其实是被判定为背景的。在实际项目中低于这个尺度的水流脉络我一般选择放弃不做强制提升。3. RetinaNet训练的核心实现3.1 Focal Loss工作机制与水体的样本平衡策略RetinaNet最大的技术亮点是Focal Loss。要理解它为什么在水体识别项目里价值巨大先看一组数据。遥感影像中水体总面积占比往往只有百分之几。一张512乘512的切片中陆地背景通常占90%以上。检测器用于在特征图上密集预测时绝大多数锚框落在背景区域。这就造成正负样本数量比极端失衡负样本背景数量轻松过万正样本水体可能只有几十个。如果直接用标准的交叉熵损失训练网络会快速收敛到“把一切预测为背景”——反正这样做的损失最小。标准交叉熵损失对所有样本一视同仁而Focal Loss在交叉熵前面乘了一个调制因子FL(p_t) -α_t (1-p_t)^γ log(p_t)其中p_t是模型对正确类别的预测概率γ是聚焦参数α_t是类别权重。让我拆解一下它到底做了什么。当一个锚框是背景模型大概率已经给出较低置信度p_t很小此时(1-p_t)^γ接近1损失权重基本不变但当模型对一个背景框给出高置信度预测p_t接近1也就是说它“自信地”认为这是水面调制因子会让损失趋近于零把梯度强行掐断。通俗点讲Focal Loss在告诉网络“别整天纠结那些已经被你分得很清楚的简单样本多花点精力去啃那些困难样本”。水体场景里的“困难样本”正是那些形状不规则、边界模糊、或与背景光谱相近的目标。γ的取值我用的是2.0论文里的最优值α_t取0.25。这个组合在多数遥感项目里可用但如果你发现模型对背景的误检率高可以把α_t适当调低压制负样本的整体贡献。3.2 骨干网络、特征金字塔与训练流程骨干网络我选了ResNet-50。ResNet-101在本项目上有精度提升但训练时间长一半性价比不高。水面这种大块均质目标的语义信息相对简单并不需要特别深层的特征来支撑真正的难点在于尺度变化而不是语义深度。ResNet-50加FPN的组合已经能提供从高分辨率低语义到低分辨率高语义的完整特征谱足够应对湖泊、河流、海洋三类的识别。FPN的具体通道设计上每个金字塔层P3到P7都用256通道输出。这里有个推荐的做法从P5开始对特征图做步长为2的下采样得到P6再对P6做一次下采样得到P7。P7负责的是超大目标的检测在整个训练过程中它的参数量不大但能覆盖大型水体的整体特征。训练配置方面我采用的是SGD优化器初始学习率0.01weight decay 0.0001momentum 0.9batch size 8两张卡的配置总迭代量看数据集规模一般在6万到10万步之间。有两个经验值得拿出来说。第一学习率预热warmup几乎必须开。遥感影像数据分布差异大预训练权重对遥感特征的适配度本来就不高如果一上来就用大学习率权重会被剧烈扰动。我的做法是前500步从0.001线性提升到目标学习率0.01让网络先在一个相对平缓的区域内找到正确的优化方向。第二多尺度训练一定要开。训练时随机将输入图片的尺寸缩放到0.8倍到1.25倍之间不用在意分辨率变低导致的小目标丢失——这种随机变化本质上是对模型尺度鲁棒性的正则化让模型不至于过度依赖某个固定尺度的先验。代价只是显存开销略有增加。3.3 损失函数组合与超参数验证RetinaNet的完整损失是分类损失与回归损失的加权求和。默认设置分类损失和回归损失的权重比为1:1但这个比例在水体场景下我做了调整。水体目标的边界天然模糊回归损失的数值波动较大IoU在0.5到0.9之间变动剧烈如果回归损失的权重过高训练会不稳定如果过低边界定位又会磨皮。最终我把分类损失权重设为1.0回归损失权重设为0.8略微压低定位任务的优先级别确保分类质量优先。尤其在遥感应用中识别“这里有一个湖”的优先级永远高于把湖的边界框精确到像素级。超参数验证上有一个更“功利”的做法值得参考先在50张图的微型数据集上测试模型是否能过拟合。如果模型连50张图都记不住说明网络结构或损失配置有系统性错误此时盲目调参只是浪费时间。只有过拟合测试通过再上全量数据做大训练。4. 推理部署与精度优化实战4.1 大图滑窗推理与坐标映射推理阶段大图和训练切片的大小往往不一致。常见方案是滑窗推理加重叠拼接。推理时窗口大小要跟训练尺寸保持一致我用的是640乘640。步长设为一个窗口大小的60%到75%重叠率比训练切片更高因为推理时没有训练那样的多次遍历来补偿边界信息丢失重叠越多边界上的目标越容易被完整召回。滑窗推理的核心环节是坐标映射。模型输出的框坐标是相对于窗口的需要加上窗口在原图中的偏移量转换到整张大图坐标系。这一步不难但有一个巨大的坑重叠区域的目标会被重复检出。同一个目标在相邻窗口的公共区域出现时两次推理会各自给一个检测框。如果不做处理NMS会把它们合并成一个这个没问题但如果两个窗口的置信度不一致NMS之后框的位置可能出现偏移导致目标框看起来像是“跳了一下”。解决方案推理阶段不要用太高的置信度阈值0.1到0.15之间比较合适让NMS去发挥空间去重约束作用然后靠IoU阈值通常0.5合并重叠框。原理是低置信度阈值能保证召回率NMS会把重叠的检测合并到置信度最高的那个框上最终输出的框位置更准确。4.2 NMS参数调整与水系边界处理水体目标的NMS处理跟普通目标略有不同。普通目标目标之间区分度好NMS的IoU阈值可以放松一点。水体目标挨得近比如一条河和它旁边的滩涂区域两个候选框的IoU重叠率可能超过0.6此时如果把IoU阈值设得过高比如0.7NMS会把滩涂和河流合并成一个框或者把其中一个错误抑制。我实测下来水体的NMS IoU阈值在0.4到0.5之间表现最稳。再低会把同一水体内部相邻的多个框合并成一个大框丢失精度再高会让误检框融合进正确框里污染输出。另一个细节是像素边界问题。遥感影像的水陆分界线很少是直线NMS给出的是矩形框天然无法精确贴合弯曲边界。我的解决方式是在检测框基础上追加一个语义分割后处理对检测框内部做一个前景背景的二分类分割把矩形框缩窄到水体的实际像素区域。如果能接受目标检测的输出格式本身是“框”这种形式这一步可以不做但如果业务上需要水域面积统计这一步跑不掉。4.3 精度评估与混淆分析模型评估常用的指标是mAP平均精度均值但水体检测的指标不能只看mAP。举个例子海洋这一类目标面积巨大一张图里海洋占了60%像素模型只要把海洋对应的框画出来AP平均精度就会很高而河流细长、数量少漏检一条AP就很难看。所以评判模型好坏至少要分两个维度大目标湖泊、海洋看定位精度小目标河流看召回率。我按IoU0.5阈值统计自己的结果湖泊的AP在0.90以上海洋的AP在0.86左右河流的AP是三者里最低的一般在0.72到0.78浮动。这基本符合预期——细长目标是所有检测器的通病。为了更精细地定位模型误差来源我会对所有错误预测的框做人工分类哪些是误检把陆地阴影当水体、哪些是漏检没框住目标、哪些是定位偏差框偏移超过30%。错题集分析一次之后你会发现这类模型的大部分误差集中在两类一是河道窄到anchor体系覆盖不到的极端情况二是水体与暗色地块如阴影、湿地的光谱混淆。知道错误集中在哪后续调优才算有目标。5. 高频问题与调试经验速查5.1 问题速查表把调试期经常遇到的高频问题汇总出来方便直接对照问题现象排查思路解决方案训练loss不降数据标签是否正确是否过拟合测试未通过检查标注质量在小数据集上先跑通河流/细长目标严重漏检Anchor长宽比覆盖不足增加1:4、1:8的细长anchor陆地阴影被误检为湖泊训练数据缺少阴影负样本增强数据时主动引入含阴影的陆地切片大湖预测框内部空洞或偏离FPN高层特征丢失大目标位置信息对面积超过2万像素的大多边形做独立区域提议或使用更大感受野的骨干网络训练收敛快但准确率低Focal Loss的alpha、gamma不匹配尝试alpha0.4、gamma1.5等参数组合训练不稳定、loss震荡学习率过高启用warmup或在2000步后降低学习率至0.005推理结果框定位偏移滑窗重叠区域NMS合并引发偏差降低置信度阈值让NMS稳定选择一个框5.2 独家避坑经验几个必须单独拿出来强调的经验。遥感影像的投影坐标系问题会在推理阶段坑人。对带地理坐标信息的遥感影像训练和推理都必须在统一的投影坐标系下进行。如果不统一同一个水体在不同投影下呈现的几何形状和尺寸都会变化模型在训练分布上学习到的尺度信息在推理时全部失效。最简单的处理办法是先把影像统一重投影到同一坐标系再开始切图和标注。再提醒一次不要贪图省事把所有水体都归为“水体”一个类别。检测器对“水体”的类别内部差异越大特征学习越困难。湖泊、河流、海洋分开标注分开训练分类头能学到各自的判别特征最终单类精度和整体精度都能提升。还有一点关于loss权重的调整大家的普遍直觉是分类和回归1:1均衡是“标准状态”但遥感场景下回归分支的天然噪声比分类大很多我上面说到的把回归权重降到0.8是经过多次实验验证过的一个经验值。不用全盘照抄只是给出一个调整方向如果loss下降很快但框质量差试着往下调回归分支权重。数据层面最后再补一个很多人不重视的验证集和测试集的分布要和真实部署场景一致。如果训练数据来自卫星影像部署时却用了航空影像视角高度和传感器特性的差异会让模型表现断崖式下降。宁可训练集的量少一些也要保证图像源分布跟部署时尽量接近。水体检测这个坑我是踩了不少才出来的。如果让我用一个词描述整个项目最值得注意的点那就是“尺度”。水体目标的尺度变化之剧烈在目标检测的所有应用场景里都排得上号而RetinaNet的FPN加多长宽比Anchor恰好是应对这个问题的可靠起点。跑通一条pipeline不算完成真正完成在于你对每一个环节背后的权衡都心里有数。希望这篇分享能让你少走几步我走过的弯路。