遥感图像处理笔记之【Deep learning for Geospatial data applications — Multi-label Classification】

遥感图像处理学习（2）

---

前言

遥感图像处理方向的学习者可以参考或者复刻

本文初编辑于2023年12月14日

---

文章标题：Deep learning for Geospatial data applications — Multi-label Classification

文章地址：https://readmedium.com/deep-learning-for-geospatial-data-applications-multi-label-classification-2b0a1838fcf3

文章所涉及的代码：https://colab.research.google.com/drive/1hFXDLQMozaWt7S1aUr2zHzQVxyDXmOs0?usp=sharing

---

这篇文章将CNN(Resnet18)应用于UCMerced Data数据集中，演示了遥感图像单分类任务，全部代码加在一起不超过十五行。强烈建议学习！

UCMerced Data是用于研究目的的21 类土地利用图像数据集，每个类别有100 张图像。
UCMerced Data可以认为是遥感图像领域的MNIST。

---

下面是对文章所涉及部分代码的说明

data = DataBlock(blocks=(ImageBlock, CategoryBlock),  
get_items=get_image_files,  
splitter=RandomSplitter(valid_pct=0.3, seed=42), 
get_y=parent_label, item_tfms=Resize(128))

#最讨厌一句那~么~长~的代码了

#blocks=(ImageBlock, CategoryBlock): 这一部分指定了数据块的类型，
#其中包括图像数据块（ImageBlock）和类别数据块（CategoryBlock）。这表示我们的数据集包含图像数据和类别标签。
#get_items=get_image_files: 这一部分指定了如何获取数据集中的图像文件。
#在这里，使用了get_image_files函数，它会从指定的文件夹中获取所有的图像文件。
#splitter=RandomSplitter(valid_pct=0.3, seed=42): 使用了RandomSplitter来将数据集随机划分为训练集和验证集，
#其中验证集占总数据的30%。seed=42表示了随机种子，用于确保划分的随机性可以被重现。
#get_y=parent_label: 这一部分指定了如何从数据集中获取类别标签。
#使用了parent_label函数，它会从图像文件的路径中提取出类别标签。
#item_tfms=Resize(128): 这一部分指定了对图像数据进行的转换操作。
#使用了Resize(128)，它会将图像调整为128x128的大小，以便统一图像的尺寸。

learn = cnn_learner(dls, resnet18, metrics=error_rate)#dls是图像数据
learn.fine_tune(5)

#learn = cnn_learner(dls, resnet18, metrics=error_rate): 这一行代码创建了一个卷积神经网络模型cnn_learner，
#使用了名为resnet18的预训练模型作为基础模型，dls是数据加载器（DataLoaders），
#metrics=error_rate指定了模型评估指标为错误率。
#learn.fine_tune(5): 这一行代码对模型进行微调。在这里，fine_tune 方法会先冻结预训练模型的一部分层，
#然后在新的数据集上进行训练。括号中的参数5表示进行微调的阶段数，即在解冻整个模型之前，先训练最后几层的参数5个周期。