基于深度学习的整景遥感影像目标识别推理方法(Python+Torch)

最新推荐文章于 2024-04-26 00:30:00 发布

GHZhao_GIS_RS

最新推荐文章于 2024-04-26 00:30:00 发布

阅读量1.4k

点赞数 2

分类专栏：深度学习遥感图像处理文章标签：遥感影像拼接目标识别 faster rcnn

本文链接：https://blog.csdn.net/u014311125/article/details/109722899

版权

遥感图像处理同时被 2 个专栏收录

52 篇文章 212 订阅 ¥49.90 ¥99.00

订阅专栏

超级会员免费看

深度学习

47 篇文章 51 订阅

订阅专栏

本文介绍了如何使用深度学习模型处理大分辨率遥感影像的目标识别问题。由于内存限制，需要通过滑动窗口分块读取数据，并进行目标识别推理。识别后，对所有结果执行NMS去重，最后将识别框转换为地理坐标并保存。主要应用了Faster R-CNN模型。

摘要由CSDN通过智能技术生成

随着分辨率的提高，整景遥感影像存储量也变大。由于计算机性能的限制(内存与GPU显存)，在使用深度学习模型进行推理预测时，模型无法一次读入，需要分块将数据读入内存处理。在做目标识别推理时，分块可能会导致一个目标对象被切割到两个区块上，因此需要采用叠加滑动窗口的方法进行推理，但是这样又会导致同一个目标被识别两次，所以最后还需要对所有的识别结果进行NMS操作，去除重复识别的结果。

推理步骤

1、滑动叠加窗口分块读取
2、分块目标识别推理
3、所有识别结果合并后做NMS
4、将识别框的图像坐标转换为地理坐标，保存成shapefile文件。

代码

#!usr/bin/env python
# -*- coding: utf-8 -*-
"""
@Author  : zhaoguanhua
@Email   : 
@Time    : 2021/7/13 23:09
@File    : predict_all_img.py
@Software: PyCharm
"""