xiaotiig的博客

【1】(11条消息) 深度学习遥感图像语义分割&目标检测_java_pythons的博客-优快云博客_遥感语义分割https://blog.youkuaiyun.com/java_pythons/article/details/118662021?utm_source=app&app_version=4.17.2&code=app_1562916241&uLinkId=usr1mkqgl919blen【1】2021全国数字生态创新大赛-遥感语义分割初赛TOP0.5% - 知乎ht

主要参考这个，接下来自己要实现一遍遥感大图像深度学习忽略边缘（划窗）预测 - 知乎https://zhuanlan.zhihu.com/p/158769096

遥感图像识别步骤1 明确任务2 制作数据集arcgis,labelme3 数据增强(拉伸)4 模型构建5 模型反向传播配置6 模型训练7 模型测试8 模型优化9 模型后处理10 模型保存11 模型预测12 撰写报告1 竞赛项目介绍进行地物的10分类算法大赛：2021全国数字生态创新大赛-智能算法赛-天池大赛-阿里云天池https://tianchi.aliyun.com/competition/entrance/531860/introduction{1: “耕地”,2

我们做遥感影像深度学习的时候，和普通图像比较主要存在4方面的问题：（1）图像含有坐标信息（2）图像太大，30000*30000大小（3）图像位数是16位，普通图像是8位，都需要归一化到-1到1，或0-1，但是遥感影像虽然范围是0-65535，但是实际有效值集中在1000以内，直接除以65535，最后的归一化后，值大多数集中与0-0.04，这样做不好，需要进行拉升。（4）多波段，普通jpg3个波段，本身tensorflow和gdal的一些图像增强的工具没法运用在多波段上，需要gdal来处理。遥感图像

程序打包1 程序打包2 打包流程将模型训练好以后，打包成exe文件，方便其它程序调用和未打包的文件的主要区别就是输入参数哪里进行了修改，同时使用cpu进行预测。1 程序打包import tensorflow as tfimport numpy as npimport gdalimport osimport cv2 as cvimport sys# 不显示提示警告信息os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'## 1、构建unet模型cla

模型优化1 使用模型进行预测2 后处理2.1 中值滤波去除噪声1 使用模型进行预测2 后处理2.1 中值滤波去除噪声# 实现中值滤波import cv2import gdaldef Mean_value(path, size): """ 中值滤波 :param path: 图像路径 :param size: 滤波大小 :return: """ # 读取图片 im = gdal.Open(path) band1 = im.

模型优化

模型训练

语义分割样本制作1 labelme1.1 进行数据增强，得到预处理好要识别的影像1.2 确定解译标注1.3 envi软件裁剪出样本1.4 在labelme软件里进行标注2 利用arcgis进行遥感影像语义分割标注2.1 影像数据增强2.2 创建shp矢量面图层2.3 直接进行矢量化标注2.4 添加属性字段2.5 面转栅格2.6 进行样本的裁剪1 labelme直接使用labelme进行样本的制作1.1 进行数据增强，得到预处理好要识别的影像1.2 确定解译标注1.3 envi软件裁剪出样本1、打

这个网址很全：https://zhangbin0917.github.io/2018/06/12/%E9%81%A5%E6%84%9F%E6%95%B0%E6%8D%AE%E9%9B%86/

这个文章包含了（1）数据集制作（2）样本裁剪（3）图像增强（4）图像识别（5）边缘处理全过程https://zhuanlan.zhihu.com/p/161925744

语义分割与变化检测1 背景综述2 数据集制作2.1 公开数据集2.2 数据集制作3 样本增强4 模型构建5 模型训练6 模型预测7 变化检测8 结果后处理9 工程案例参考文献：1 背景综述1 人工智能深度学习遥感影像语义分割专题培训班 - 知乎 https://zhuanlan.zhihu.com/p/4197708012 里面的推文特别好，(23条消息) 基于HRNet-Segmentation的遥感图像语义分割_爱CV-优快云博客 https://blog.youkuaiyun.com/qq_35054

1 图像标注进行图像增强Arcgis中进行标注矢量转栅格裁剪为小区域选择含目标的图像，进行样本平衡2 图像读取（1）可以用jpg波段，也可以用多光谱，多光谱信息多，效果好3 图像训练小目标识别：（1）减小样本的尺寸（2）使用focalLoss损失函数4 识别结果指标有时候很好，但是一些明显的地方可能会出错（1）指标miou（2）目视检查5 改进（1）样本迭代（2）模型结构参数改进6 预测（1）使用膨胀处理消除边界效应7 后处理（1）进行噪声点去除（2）栅格转矢量