遥感影像实例分割:MaskRcnn训练自己的数据集

最新推荐文章于 2024-09-05 13:56:15 发布

GHZhao_GIS_RS

最新推荐文章于 2024-09-05 13:56:15 发布

阅读量1.6k

点赞数 2

分类专栏：深度学习遥感图像处理文章标签： mask rcnn pytorch

本文链接：https://blog.csdn.net/u014311125/article/details/111353025

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

这篇博客介绍了如何利用Mask R-CNN模型进行遥感影像的实例分割，详细讲解了从数据读取、模型初始化、训练验证到在Colab上使用GPU进行训练的过程，并分享了相关的代码资源。

摘要由CSDN通过智能技术生成

这篇博客记录一下如何使用torch官方提供的Mask RCNN训练自己的数据集，官方也给出了使用的教程，首先是分析一下TorchVison版本的Mask RCNN的网络结构，然后介绍如何训练自己的数据集(COCO格式)，我的数据集是遥感影像中的建筑实例。

一、模型介绍

MaskRCNN模型主要包括四个部分，backbone、RPN、ROIHeads(Box roi head、Mask roi heads)、PostProcessing(推理时会用到)。网络结构上Mask Rcnn部分初始化了Mask roi heads，

#...\Miniconda3\Lib\site-packages\torchvision\models\detection\mask_rcnn.py
        if mask_roi_pool is None:

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

GHZhao_GIS_RS

关注关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
打赏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

遥感影像实例分割:Cascade Faster RCNN训练自己的数据

zhaoguanhua的博客

06-14

1067

上篇文章我们介绍了如何将Mask RCNN修改为Cascade Mask RCNN，我们知道Mask RCNN是在Faster RCNN的基础上加上了Mask分支。这里我们顺道也测试一下Cascade Faster RCNN的效果。一、Cascade Faster RCNN 二、Colab测试三、测试结果 ...

遥感影像实例分割:PoinRend训练自己的数据集

zhaoguanhua的博客

05-11

3669

遥感影像实例分割:PoinRend训练自己的数据集

1 条评论您还未登录，请先登录后发表或查看评论

2.1【Pytorch版(torch-CPU版 ) Mask-RCNN 训练自己的数据集】(无需安装torch-cuda，在无nvida显卡的电脑下跑通)

木易进

05-15

5091

写在前面：由于课程试验要求，需要基于pytorch实现maskrcnn，so最近又跑了一下pytorch版的maskrcnn，官方已经给出了详细的教程，虽然说支持cpu推理，但是不支持cpu训练啊，奈何手头上只有一个cpu本，也没有nvida显卡，只有intel的集显，so整理一波本次训练maskrcnn的过程。环境： Ubuntu16.04 torch == 1.5.0+cpu torchvision == 0.6.0+cpu 这里要注意，torch版本>=0.3.0即可，使用的torch和t.

Tensorflow2如何读取自制数据集并训练模型？-- Tensorflow自学笔记13

最新发布

pisceshsu的博客

09-05

1019

Tensorflow2如何读取自制数据集并训练模型？

Mask R-CNN实例分割模型在遥感灾害检测上的应用

qq_35701589的博客

12-13

4112

Mask R-CNN实例分割模型热力图+可视化文章目录Mask R-CNN实例分割模型热力图+可视化前言一、实例分割是什么？二、示例1.环境配置2.数据集下载3.代码修改3.热力图4.可视化总结前言随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、实例分割是什么？话不多说，直接上图。二、示例这是代码的链接(Tensorflow版本)：https://github.com

遥感影像实例分割:Cascade Mask RCNN训练自己的数据

zhaoguanhua的博客

06-15

2242

遥感影像实例分割:Cascade Mask RCNN训练自己的数据

遥感影像目标检测:Faster RCNN训练自己的数据集

zhaoguanhua的博客

06-02

1190

前几篇文章写了如何使用maskrcnn训练自己的数据集以及如何在maskrcnn中加入pointrend模块，我使用的都是torchvision官方提供的maskrcnn，因为torchvison版本的mask rcnn是继承自FasterRCNN的，所以这里顺便介绍下如何使用torchvision的fasterrcnn网络训练自己的数据集。 1、Faster RCNN模型获取 import torchvision from torchvision.models.detection.faster_rcnn

论文研究 - 使用改进的Mask R-CNN从高分辨率遥感影像中对户外运动场进行实例分割

05-17

针对户外运动场所（足球场，篮球场，网球场和棒球场）的地物（特征）识别，提出了一种基于Mask R-CNN的物体识别方法和技术流程。首先，通过对高空间分辨率遥感影像（HSRRSI）进行预处理，并收集户外运动场馆的人工样本，构建了识别土地覆盖特征的训练数据集。其次，Mask R-CNN被用作适应户外运动场馆的基本训练模型。第三，将识别结果与eCognition中的四种面向对象的机器学习分类方法进行了比较。有效性验证的实验结果表明，Mask R-CNN不仅在技术程序上，而且在户外运动场所（足球场，篮球场，网球场和棒球场）的识别结果均优于传统方法，达到了精度0.8927，召回0.9356，平均精度0.9235。最后，从实际工程应用的角度出发，使用并验证了训练有素的模型，分别对北京西城区和大兴区的HSRRSI进行了实证应用实验，并对Mask R-CNN训练后的模型进行了推广。经过彻底评估。

遥感影像地块分割模型训练数据集.zip

05-07

遥感影像地块分割模型训练数据集.zip 常规比赛赛遥感影像地块分割数据

图像分割方法在遥感图像分析中的应用

03-03

本文对近年在图像分割技术上出现的常用图像分割算法以及它们的优缺点进行了综述，并介绍了其在遥感图像中的应用，提出了图像分割算法的前景和面临的挑战。

遥感图像数据集

04-11

遥感图像数据集为tif格式，用于图像融合、图像分割等领域，十分实用

遥感影像语义分割:PointRend训练自己的数据集

zhaoguanhua的博客

05-11

1819

遥感影像语义分割:PointRend训练自己的数据集

YOLOv5训练大规模的遥感实例分割数据集 iSAID从切图到数据集制作及训练

weixin_45798949的博客

03-10

5461

iSAID切图及实例分割训练

遥感影像识别-利用较大数据集训练

122&&113的博客

01-30

5032

回顾经过前两次的思考，最终还是回到最初的想法上来，利用大量比较合理的电子地图进行模型的训练，看能否产生较好的效果。前两次的博文链接如下： 遥感影像识别-制作数据集 遥感影像识别-训练策略本次训练所使用的数据集 地域覆盖了全国几个主要的城市，比如杭州、成都、广州等等，不过一方面为了进一步观察数据集的效果，也为了不浪费算力，因此并未采集各个大城市的地图用以制作数据集，而是随便挑了几个城市中的部分区域用以制作，另一方面的原因也是因为现有的地图软件对于地图的识别很多地方都不是特别精确的，因此选择一个比较准确的

【图像分割】基于K-means算法实现遥感图像分类附Matlab代码

matlab_dingdang的博客

07-04

822

一实验目的：利用matlab软件，通过K-means算法的方法处理给定的7幅遥感图像，将其分成水域、居民区和其他三类区域。二实验方法：1 遥感图像的分类[1]遥感图像是通过反映地物光谱信息的像元亮度值及反映地物空间信息的像元空间变化来表征不同地物的。对遥感图像中各类地物的光谱信息和空间信息进行分析,选择特征(能够反映地物光谱信息和空间信息并可用于遥感图像分类处理的变量),并用一定的方式将特征空间划分为互不重叠的子空间,然后将图像中各个像元划归到各个子空间去。这就是图像分类。

英文论文（sci）解读复现【NO.15】学习聚合多尺度背景的实例分割在遥感图像

m0_70388905的博客

06-01

944

遥感图像的实例分割任务是实现实例级对象的逐像素标记，对各种民用应用具有重要意义。尽管已有的实例分割方法取得了成功，但当它们直接应用于俯视图遥感图像时，大多数为自然图像设计的实例分割方法都遇到了性能急剧下降的问题。通过仔细的分析，我们发现挑战主要来自于由于严重的尺度变化、低对比和聚类分布而缺乏鉴别对象特征。为了解决这些问题，提出了一种新的上下文聚合网络(CATNet)来改进特征提取过程。

Deeplab V3 训练自己遥感图像数据集

miao0967020148的专栏

03-06

3542

遥感图像数据集批量裁剪 labelme标签标定数据集