做GIS梦的人

DeepLabv3 是一种先进的语义分割模型，由 Google Research 团队提出。它在 DeepLab 系列模型的基础上进行了改进，旨在提高图像中像素级分类的准确性。概述DeepLabv3 是 DeepLab 系列中的第三代模型，专门用于解决语义分割任务。语义分割是指将图像中的每个像素分配给特定类别的过程，例如将图像中的不同对象（如人、车、建筑物等）进行精确划分。主要特点。

在做影像识别时，需要大量的样本，对于从事GIS和遥感专业的人员来说，可能使用ArcGIS对着影像，绘制样本效率更高。但是很多框架和开源的代码都是基于PASCAL VOC格式和微软COCO格式的样本。这里我分享一下如何将栅格和shp数据转换微软COCO格式的样本。

各类样本越多，准确度越高本人也使用了3波段的真彩色影像进行训练，最后发现8波段影像训练的准确度远远大于3波段，3波段的真彩色影像只适合于纹理识别。项目完整代码+数据下载地址。

在学习遥感的过程中，我们都了解到了监督分类与非监督分类，二者是遥感解译的基础。之前更多的是使用Erdas与ENVI来进行这两种分类。这里使用python语言，基于机器学习库sklearn与遥感影像处理库rasterio，使用kmeans动态聚类方法实现非监督分类。

在进行机器学习或深度学习之前，都要对样本图片进行预处理，其中需要将图片的尺寸统一调整。很多时候，样本的来源很多，尺寸和比例也不统一，可能来自于互联网爬虫，可能来自于不同的手机拍摄。如果将不同尺寸与宽高比的图片调整到统一尺寸，对后续模型的训练影响很大。关于图片尺寸调整这块网上的代码很多，大多都是强制更改尺寸，导致图片会变形，会影响样本的原始信息。

Faster RCNN，相对于R-CNN在结构上，Faster RCNN已经将特征抽取(feature extraction)，proposal提取，bounding box regression(rect refine)，classification都整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显。PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。相对于TensorFlow更加轻量化，更适合于科研和小型项目的使用。这里介绍一个简单的例子，基于

准备这个过程非常简单，就是用到了很多的矩阵运算。训练数据集下载地址， 测试数据集下载地址，数据格式.csv格式数据的每一行都是一个28*28像素的手写数字图片，每一行的第一个像素是数字的值，从第二个数字开始时像素值import matplotlib.pyplotimport pylabimport numpy# 读入训练数据training_data_file...