DL深度学习部分成果展示

开头：本文摘自作者部分真实论文内容，深度学习研究成果展示如下，内容仅供各位参考

1、数据来源

语义分割：以***省***市小部分城区的高分1号遥感影像数据为数据源制作样本集，影像的获取日期为2017年4月12日，类型是2m的全色波段影像和8m的多通道影像。

目标检测：以长江下游海上货轮和美国东北、西部游泳池的影像截图为数据源制作样本集，获取方式为Google Earth，格式为PNG。图片尺寸：300x300和500x375两种。

2、语义分割 - “遥感影像地物提取分类” 部分结果展示

2、目标检测 - “大型货轮 & 游泳池” 结果部分展示

目标检测结果输出格式为“类别 | 置信度”，数字“1”表示大型货轮类；数字“2”表示游泳池类。图4.3、4.4分别展示了模型在测试集、验证集上的部分检测结果。

3、精度验证总结

（1）语义分割

验证：对61个测试样本进行统计并经过计算得到：PA = 50.1040%；对23个验证样本进行统计经过计算得到：PA = 37.8518%；

结论：SegNet网络模型在2m分辨率遥感影像中的提取分类效果不是很好，其原因可以概括为：用于训练的样本少；影像分辨率低导致人工标注与模型进行预测结果时较困难；

（2）目标检测

验证：对316个测试样本与155个验证样本进行预测，经统计与计算后得到的信息分别下表所示。
通过表信息可以得到模型在验证集中的召回率Recall Rate等于97.4250%，比测试集召回率下降了2.0315‬%；准确度Accuracy等于94.1909%，比测试集准确度下降了2.6345‬%；
精确度Precision等于96.5957%，比测试集精度下降了0.7447‬%；
通过对比测试集与验证集发现：验证集中的小目标明显多于测试集，且小目标的预测结果没有大目标的好，最终导致了验证集的整体精度下降。
完善措施：增加训练集样本中小目标样本数量；

结论：SSD网络模型在大型货轮与游泳池的目标检测中，整体上的目标检测结果较好，且大目标的检测结果比小目标的检测精度高

最后：仍然充满着对 AI 学术研究的热情，在这之前先活下来，期待与您一起学习进步