遥感图像处理笔记之【U-Net for Semantic Segmentation on Unbalanced Aerial Imagery】

遥感图像处理学习（5）

---

前言

遥感系列第5篇。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15日

---

文章标题：U-Net for Semantic Segmentation on Unbalanced Aerial Imagery

文章地址：https://towardsdatascience.com/u-net-for-semantic-segmentation-on-unbalanced-aerial-imagery-3474fa1d3e56

文章所涉及的代码：https://github.com/amirhosseinh77/UNet-AerialSegmentation

---

这篇文章将CNN(U-Net)应用于Semantic segmentation of aerial imagery数据集中，演示了遥感图像语义分割任务。
此外，文章着眼于探究损失函数对遥感图像语义分割输出结果的影响。

Semantic segmentation of aerial imagery数据集是一个用于训练和测试计算机视觉模型的数据集，其中包含了航空摄影图像的语义分割标注。共72张迪拜阿联的图片，共6个标注，分别为水、土地、道路、建筑物、植被和未标记物体。

U-Net主要的概念是使用一个收缩的网络，然后是一个扩展的网络。在收缩过程中，空间信息减少，而特征信息则增加。扩展过程中，通过一系列向上卷曲和高分辨率特征，来连接特征和空间信息。

---

损失函数

Cross-Entropy Loss（交叉熵损失函数）
alpha项是不同类别的权值超参数，是平衡不平衡类别的损失的一种方法。

Focal Loss（无官方翻译）
Focal Loss为不平衡数据集问题提出了一个更好的解决方案。它增加了一个额外的术语来减少正确预测的影响，并专注于不正确的例子。gama是一个超参数，它指定了这种缩减将会有多强大。

IoU Loss（无官方翻译）
IoU Loss使用了更少的超参数，为不平衡数据集问题提出了一个更好的解决方案

---

文章使用65张图片进行训练，7张图片进行验证，训练结果仅供参考
Cross-Entropy Loss在分割小区域时存在问题，并且在这些损失函数中性能最差。
Focal Loss比起Cross-Entropy Loss在小区域发挥得更好
loU表现最好
文章这里有图片展示，我就不贴出来了

---

对文章所涉及的代码的说明（全文没有代码，不做说明）

---