基于TF2.7-UNet的遥感影像建筑物语义分割

已于 2023-04-25 16:22:39 修改
阅读量4.9k 收藏 27
点赞数 3
分类专栏： tensorflow2基础教程与项目实战 文章标签： python tensorflow 深度学习 智慧城市 人工智能
于 2021-11-21 15:38:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44095417/article/details/121454584
版权
本文介绍了基于tensorflow2.7构建UNet网络进行遥感影像建筑物语义分割的过程，包括数据预处理、网络构建、模型训练和评估。使用Inria Aerial Image Labeling Dataset，通过随机裁剪生成训练样本，训练40轮后模型表现出较好的收敛性，实验证明分割效果良好，IOU指标展示了模型的准确性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

今天我们将基于tensorflow2.7深度学习框架构建UNet网络并实现建筑物遥感影像的语义分割。文章将分成以下几个部分。

  • 数据预处理
  • 网络构建
  • 模型训练
  • 模型评估

本次数据集使用的是Inria Aerial Image Labeling Dataset，它是一个用于城市建筑物检测的遥感图像数据集，其标记被分为建筑和非建筑两种，主要用于语义分割。

数据预处理

我们可以从它的官网https://project.inria.fr/aerialimagelabeling/下载数据集，数据集包含Training Set、Validation Set、Test Set三个部分，分别包含136，4，10幅1500*1500大小的遥感影像与对应的标签影像。部分数据如下所示。

在这里插入图片描述

我们定义一个随机裁剪函数，将训练与验证数据随机裁剪成256*256大小的数据集，构建我们的样本库。

size =
了解本专栏 订阅专栏 解锁全文 超级会员免费看
语义分割-地表建筑物识别的一种解决方案
qq_45798276的博客
12-08 2862
卷积理论 一，参考博客 1，为什么卷积核为四维
本科毕业设计-基于UNet的遥感图像语义分割源码+论文PDF资料
10-20
本科毕业设计-基于UNet的遥感图像语义分割源码+论文PDF资料本科毕业设计-基于UNet的遥感图像语义分割源码+论文PDF资料本科毕业设计-基于UNet的遥感图像语义分割源码+论文PDF资料 本科毕业设计-基于UNet的遥感图像...
Web前端演示：遥感建筑物图像分割
sgcsdn99的博客
11-10 1678
数据集信息展示在遥感图像分析领域，建筑物的精确分割是城市规划、灾后评估和环境监测等应用的重要基础。为此，本研究采用了名为“Buildings_Instance”的数据集，以训练和改进YOLOv8-seg模型，从而实现高效的建筑物图像分割。该数据集专注于建筑物的实例分割，具有单一类别的特征，具体类别为“building”。这一设计使得数据集在处理建筑物图像时，能够集中资源和算法优化，提升模型的准确性和鲁棒性。
PolyCity：高分辨率遥感影像多边形建筑分割的联合语义-几何学习，Joint semantic–geometric learning for polygonal building
m0_64106140的博客
12-15 1211
对于一个属于边缘E(j)的像素i，其方向角的方向值由边缘E(j)的法向量决定，表示为𝑁(𝐸𝑗)。如图3所示，VRN包含两个主要组成部分:(1)基于resnet的骨干网络，用于顶点嵌入，提取输入图像和顶点的特征，进行进一步的顶点校正;首先，我们通过密集采样提取分割掩码轮廓上的像素坐标，并选择边界预测概率大于给定阈值𝑡𝑏𝑜𝑛的像素坐标，构成一组初始顶点C={𝑐0，𝑐1，𝑐2，…(2)简单而有效的顶点选择模块(VSM)，该模块通过将分割图转换为有效的多边形顶点，有效地弥合了基于像素和基于图的模型之间的差距;
基于深度卷积神经网络的VHR遥感图像城市建筑物语义分割（论文）
weixin_46031093的博客
03-16 1890
欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体...
天池竞赛-地表建筑物识别 语义分割
wobenxiaoyao_的博客
10-24 7733
train_mask = pd.read_csv('../dataset/train_mask.csv/train_mask.csv', sep='\t', names=['name', 'mask']) # 读取第一张图，并将对于的rle解码为mask矩阵 img = cv2.imread('../dataset/train/' + train_mask['name'].iloc[0]) # name列的第0行 mask = rle_decode(train_mask['mask'].iloc[0...
基于 Transformer-Unet 实现的遥感高分建筑、植被图像语义分割代码【包含完整代码+标注好的数据集】
09-23
基于 Transformer-Unet 实现的遥感高分建筑、植被图像语义分割代码【包含完整代码+标注好的数据集】 数据集标签如下：不透水面：白色（255, 255, 255） 建筑物：蓝色（0, 0, 255） 低矮植被：青色（0, 255, 255） ...
基于SwinTrasnformer-Unet实现的自适应多尺度训练、多类别分割、迁移学习：人体腹部14器官的语义分割项目
08-06
基于SwinTrasnformer-Unet实现的自适应多尺度训练、多类别分割、迁移学习：人体腹部14器官的语义分割项目 代码介绍： 【训练】train 脚本会自动训练，代码会自动将数据随机缩放为设定尺寸的0.8-1.2倍之间，实现多...
基于TransUnet和Swin-Unet 实现的医学图像语义分割对比项目：腹部器官多类别图像语义分割
最新发布
02-02
数据集采用【腹部器官多类别图像语义分割，dice约为0.8，iou为0.7】，数据在data目录下，划分了训练集和验证集。【代码可一键运行】 【介绍】分割网络为TransUnet和Swin-Unet （可以自行选择），学习率采用cos余弦...
入门语义分割-地表建筑物识别 的学习笔记
YZJ_B的博客
10-08 985
对于一个基本是应用的教程，我真不是很清楚他的理论。或许知道一点理论会好一点，但这应该是后面才应该去深入了解的东西吧。搞不明白，奇奇怪怪的错误太多，不知道怎么解决，问了人也都说不出个123，感觉挺累的。但我还是在这次学习中收获了很多，我希望这次没有功劳也有个苦劳吧。就是这样了，peace。
基于深度学习的遥感图像新增建筑物语义分割.pdf
08-18
基于深度学习的遥感图像新增建筑物语义分割.pdf
语义分割实现地表建筑物识别3 语义分割模型发展
charie411的博客
02-26 1081
语义分割实现地表建筑物识别3 语义分割模型发展 理解语义分割模型构造过程，特别是最终概率值的输出 理解FCN的网络模型结构和训练过程 FCN 原理 原理是图像经过卷积神经网络得到特征图，再对特征图经过反卷积层进行上采样，保留原图像的空间位置信息，最后对上采样特征图进行逐像素分类。 网络结构 输入：任意尺寸彩色图像 输出：与输入同尺寸，21类（20类目标+背景） 卷积运算的参数是在训练FCN模型的过程中通过BP算法学习得到的。 普通的池化会缩小图片尺寸，如VGG16经过5次池化后图片被缩小了32倍。为
零基础入门语义分割-地表建筑物识别 Task1 赛题理解 -学习笔记
菊头蝙蝠的博客
02-17 2021
将图片编码为rle格式 import numpy as np import pandas as pd import cv2 # 将图片编码为rle格式 def rle_encode(im): ''' im: numpy array, 1 - mask, 0 - background Returns run length as string formated ''' pixels = im.flatten(order = 'F') pixels = np.c.
unet建筑物提取
weixin_44095417的博客
08-19 1804
我们可以从它的官网https://project.inria.fr/aerialimagelabeling/下载数据集，数据集包含Training Set、Validation Set、Test Set三个部分，分别包含136，4，10幅1500*1500大小的遥感影像与对应的标签影像。我们利用训练好的模型来测试一下我们的数据，模型最终分割的部分结果如下所示。中间的是我们的结果，右边的是target，可以看到我们的分割结果基本上将建筑物都识别出来了。作者水平有限，如代码存在问题，请及时联系作者。
datawhale语义分割-Task3 语义分割模型发展
Jack___E的博客
02-23 848
datawhale语义分割-Task3 语义分割模型发展 本章主要讲解的是语义分割网络模型的发展：FCN 、SegNet、Unet、DeepLab、RefineNet、PSPNet、GAN语义分割。 3 语义分割模型发展 语义分割（全像素语义分割）作为经典的计算机视觉任务（图像分类，物体识别检测，语义分割）。其结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分割图像。 3.1
【AI图像识别】基于Pytorch的地表建筑物图片识别语义分割（入门级语义分割算法）|文末附官网下载地址|源码100%可运行！！
是云猿实战
11-23 6354
遥感技术已成为获取地表覆盖信息最为行之有效的手段，遥感技术已经成功应用于地表覆盖检测、植被面积检测和建筑物检测任务。使用航拍数据地表建筑物识别，将地表航拍图像素划分为有建筑物和无建筑物两类。
语义分割实现地表建筑物识别6 模型集成
charie411的博客
03-07 761
语义分割实现地表建筑物识别6 模型集成 学习目标 学习集成学习方法 使用交叉验证训练模型，得到多个模型权重 学习Snapshot和TTA的具体用法 数据集划分和集成学习方法 深度学习中如果设备允许可以采用交叉验证的方法，否则采用留出法。 以10折交叉验证为例，训练10个语义分割模型，然后可以通过对预测结果的概率值进行平均，解码为具体字符；也可以对预测的字符进行投票，得到最终字符。 机器学习中常用的集成学习方法包括 Stacking、Bagging和 Boosting。决策树（二）——集成模型 Boos
Datawhale 语义分割地标建筑物识别（一）
Maple__Boy
04-16 898
本人对前段时间的比赛做个小总结，方便后续回顾学习 一、赛题介绍 赛题分享安排： Task1：赛题理解及baseline Task2：数据增广方法 Task3：网络模型结构发展 Task4：评价函数及损失函数 Task5：模型训练与验证 Task6：分割模型模型集成 竞赛主题： 以计算机视觉为背景，要求选手使用给定的航拍图像训练模型并完成地表建筑物识别任务，是一个典型的语义分割问题。 竞赛目标： 通过对本次竞赛内容的学习和练习，掌握计算机视觉中语义分割基本技能，提高数据建模能力 赛题数据： 本赛题使用航
语义分割实战-地表建筑物识别-阿里天池比赛分享
wbk0127的博客
09-14 1261
赛题为语义分割任务，因此具体的标签为图像像素类别。在赛题数据中像素属于2类（无建筑物和有建筑物），因此标签为有建筑物的像素。赛题原始图片为jpg格式，标签为RLE编码的字符串。RLE全称（run-length encoding），翻译为游程编码或行程长度编码，对连续的黑、白像素数以不同的码字进行编码。RLE是一种简单的非破坏性资料压缩法，经常用在在语义分割比赛中对标签进行编码# 将图片编码为rle格式'''im: numpy数组, 1 - 掩模, 0 - 背景返回以字符串格式表示的运行长度'''
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

DataAssassin

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值