【物体分割】天池农业AI挑战赛-总结

赛题社会价值

通过计算机自动识别大面积卫星图中的物体，有助于预估农产品产量，城市面积等工作。

---

赛题所属类型

图像分割与分类

---

赛题特点

1. 类间差异小；
2. 存在标注噪声；
3. 物体尺度差异大；
4. 有效物体占比低；
5. 图片尺寸达到30亿左右的像素，无法直接训练。

---

赛题工作

模型选择

本次分割的图像中，全局信息很重要，某一个类别的确定会受到它周边像素与类别的影响。
本次比赛最佳模型框架deeplab v3+。

数据处理

1. 为了应对图片过大的现象，本次比赛采取了滑动裁剪的方法，每次选取图片大小1024x1024，滑动步长设置为512，剔除无效区域占比过高的样本。由于滑动采样操作会对边缘的预测产生影响，所以，预测结果只保留中间区域（512x512）。

2. 一些常规的数据增强方法。

训练处理

1. 本次分类使用的是多分类交叉熵损失函数，并为不同类别添加不同的权重。

2. 标签平滑。采取软标签训练，区别于0和1的这样的硬标签，可以为难易程度不同的样本给予不同程度的标签值。

3. 使用半监督的方式，为没有标签的图片生成软标签，增加样本。

4. 因为数据集比较小，即使使用了各种数据增强技术，还是会有过拟合的风险，可以选取多个snapshot使用参数均值的方法对模型参数进行融合可以提高模型的泛化能力。但是传统的方法是对一个模型进行多次训练来取得多个snapshot，这会需要很多的计算时间。相比之下，根据不同评价标准选择融合的snapshot，也就是选择最小验证loss，最大mIoU，和训练最后（通常是训练loss最小）的三个模型参数进行融合。为了增加三个模型的差异性，可以采用Cyclic Cosine Annealing的方法。反复进入多个局部最小值。

预测结果处理

1. 由于预测生成的图片会存在一些毛刺，小连通域等现象。所以，采取了一些图像的膨胀与腐蚀的处理。形态学开运算闭运算