Las técnicas de aprendizaje profundo se han convertido en el enfoque principal para la clasificación detallada de cultivos en imágenes de teledetección de vehículos aéreos no tripulados (UAV). Sin embargo, un desafío significativo radica en la distribución de cola larga de muestras de cultivos. Este desequilibrio hace que las redes neuronales se centren desproporcionadamente en las características de la clase mayoritaria durante el entrenamiento, lo que lleva a límites de decisión sesgados y debilita el rendimiento del modelo. Diseñamos un método de muestreo mejorado de muestras minoritarias (MES) con el objetivo de abordar las limitaciones de rendimiento causadas por el desequilibrio de clases en muchos modelos de clasificación de cultivos. El principio principal de MES es relacionar la probabilidad de re-muestreo de cada clase con la frecuencia de píxeles de muestra, logrando así un re-muestreo intensivo de clases minoritarias y equilibrando la distribución de muestras de entrenamiento. Mientras tanto, durante el re-muestreo, se realiza una ampliación de datos en las imágenes muestreadas para mejorar la generalización. MES es simple de implementar, altamente adaptable y puede servir como un muestreador de propósito general para tareas de segmentación semántica, funcionando como un componente plug-and-play dentro de los modelos de red. Para validar la aplicabilidad de MES, se realizaron experimentos en cuatro redes clásicas de segmentación semántica. Los resultados mostraron que MES logró mejoras en mIoU de +1,54%, +4,14%, +2,44% y +7,08% en el conjunto de datos de Dali y +2,36%, +0,86%, +4,26% y +2,75% en el Conjunto de Datos de Teledetección de Cebada en comparación con los modelos de referencia respectivos. Además, nuestro análisis de sensibilidad de hiperparámetros confirmó la estabilidad y confiabilidad del método. MES mitiga el impacto del desequilibrio de clases en el rendimiento de la red, lo que facilita la aplicación práctica del aprendizaje profundo en la clasificación detallada de cultivos.