Understanding Clouds from Satellite Images的kernel调研＋肉眼识别每种云朵示例

pupil1视角，凡是看过的全部进行upvote作为标记

 

kernel	注释	框架	输出模型格式
EDA: Find Me In The Clouds	非常赞的可视化（博文下方列出其主要内容）
Strange Single Pixel Holes in Masks	mask中有一些黑点（不重要）
Efficient Net B4 Unet Clouds	不提供自己的文件EfficientNetB4.h5(作废)
Understanding Clouds Keras Unet	试图讲清楚Unet
MaskRCNN for cloud classification (Keras)	0.5786	Keras	h5
gold medalImage Segmentation From Scratch in Pytorch	0.6296	Pytorch	pt
Satellite Clouds: U-Net with ResNet Encoder	0.5945	Pytorch	h5
InceptionResNetV2 for Cloud Classifier	0.6579(需要输入模型)	keras	读取pytorch模型，然后使用了keras
Train With Crops - CV 0.60+	0.6286	keras	h5
keras efficientnetb2 for classifying cloud(解读完毕)	0.6583	keras	h5自己训练分类模型修正别人的分割结果csv
ResUNet Keras with some new ideas	0.6534	keras	没输出模型
Segmentation in PyTorch using convenient tools	0.6419	pytorch	pth
Satellite Clouds: U-Net with ResNet Encoder	0.5945	keras	h5
Image Segmentation From Scratch in Pytorch	0.6296	pytorch	pt
Cloud: ConvexHull& Polygon PostProcessing (No GPU)	非常重要	pytorch	没有输出模型，但是评论区赞誉有加
Classification in catalyst with utility scripts	0.5495	pytorch	pth
Cloud Bounding Boxes - CV 0.58	0.6114	keras	没有输出模型
Understanding Clouds - EDA and Keras U-Net	0.6215	keras	没有输出模型
Keras EfficientnetB4	0.6555	keras	h5
[TF Tutorial] Semantic Segmentation With U-Net++	新手代码	Keras	h5
Fine-turning model with AdaBound	0.6433	pytorch	pth
[Beginner] Cloud segmentation using Keras	0.5975	Keras	h5
Cloud Classifier for Post-processing	0.6554(需要输入单模)		h5
Cloud Segmentation with utility scripts and Keras	0.6532	Keras	h5
GradCAM: extracting masks from classifier	0.6141	pytorch	没有输出模型
Turbo Charging Andrew's Pytorch	0.6492	pytorch	pth
Deeplabv3+ with mobilenetv2	思路参考
Dataset preparation - Resize images	加速训练时间的技术
Multi-label segmentation using fastai	fastai进行多标签语义分割
Exploring Challenging Images	彩色视图可视化（可以学习下）
Deeplabv3+ with mobilenetv2	从steel上面迁移过来的。
Dataset preparation for segmentation task	同一张图上绘制四种不同的云层
Understanding Clouds EDA	值得学习的技巧: 图片数据集的KDE绘制， 以及不同类别的云朵的mask绘制在一张图中
dump_cloud_simple_experiment(解读完毕)	想法很有意思: submission.csv全部留空白，直接提交的得分是:0.4775(没用)
5fold Stratified Split(解读完毕，分割错误的kernel)	stratified_group_k_fold划分
Average Masks(解读完毕)	位置和云的种类的关系（应该没用） 重要的知识点: plt.imshow() can be misleading because it scales the largest value to yellow

 

 

 

上面，从

EDA: Find Me In The Clouds

中，可以看出每个类别的云朵的典型图案是咋样的，如下：

draw_label_only('Fish')

 

 

draw_label_only('Flower')

 

 

 

draw_label_only('Gravel')

 

 

draw_label_only('Sugar')

 

 

比赛全局可视化参考[1]

 

 

上面的黑色长缝是卫星没有扫描到的。

 

 

Reference:

[1]https://worldview.earthdata.nasa.gov/?v=-212.63534236130425,-125.13556527739146,192.36465763869575,74.55193472260854&t=2019-10-28-T04%3A00%3A00Z