遥感图像稀疏表征与智能分析竞赛参赛笔记

最新推荐文章于 2021-02-01 07:00:00 发布

山东科技大学遥感与机器智能实验室

最新推荐文章于 2021-02-01 07:00:00 发布

阅读量3.6k

点赞数 3

分类专栏：教程文章标签：语义分割遥感影像稀疏表征

本文链接：https://blog.csdn.net/doctorcuilab/article/details/101223679

版权

本文作者分享了参加遥感图像稀疏表征与智能分析竞赛的经验，重点介绍了数据预处理、模型训练（使用预训练网络如DenseNet和Inception_ResNet_v2）和应对类别不平衡问题的策略。采用集成学习提高预测准确性，并讨论了Kappa系数作为评价指标的重要性。

摘要由CSDN通过智能技术生成

遥感图像稀疏表征与智能分析竞赛参赛笔记

前俩个月参加了由国家自然科学基金委信息科学部主办的“遥感图像稀疏表征与智能分析竞赛”，在这里分享一下参加比赛的一些感悟。

数据集

我参加的是语义分割主题，数据来源于高分二号MSS影像，分辨率为四米，影像尺寸为7200x6800，包括NIR，R， G， B四个波段。由于原始影像是用ENVI classic做的预处理，所以会导致一些读取错误，所以我都使用了imageio函数进行读取。数据集主要包含16个类别，如下图：
在这里插入图片描述
数据集主要包括八张训练图像以及俩张验证图像，最后需要对十张测试图像进行测试。由于原始影像尺寸较大，受服务器GPU内存的限制，需要对图像进行裁切，通过有重叠的裁切，最终得到了22880张256x256大小的训练图像以及5720张验证图像，同时，还对数据集进行了简单的数据增强，比如随机旋转(random rotate)和水平/垂直翻转（Horizontal/Vertiacal Filp）。
值得注意的是，数据中类别不平衡现象较严重，数据多的样本与数据少的样本之间差距悬殊，如下图;
在这里插入图片描述
所以解决类别之间的不平衡问题是取得好名次的关键。

模型训练

由于keras简单的操作逻辑，所以使用了keras进行编码。对于语义分割任务，刚开始想到的就是各种比较经典的网络，比如UNet,SegNet,RefineNet,但是进行了几次实验之后，发现直接堆砌网络，效果都不算太好。尤其是对于相似度极高的河流和湖泊，以及坑塘，很容易分类错误，对于数据较少的样本，时常提取不到，最重要的是，精度上不去，损失下不来。后来就尝试了预训练的网络，主要就是在ImageNet上预训练的DenseNet(如下图)网络，以及Inception_ResNet_v2网络，精度一下子就提升上去了，而且收敛也很快&#x