遥感深度学习预测过程中接边问题解决

本文探讨了深度学习中遥感影像预测时的接边问题,提出了通过优化模型和采用影像分块叠加策略来减轻边缘预测不准确的现象。同时,针对大尺寸遥感影像的内存加载难题,给出了一种有效的分块加载与处理方法。

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

***问题一的提出:*由于深度学习在训练网络模型时,网络的模型大小是固定的,例如512512,256256,在遥感影像预测过程中,如果你直接按照网络块的大小进行预测,如图所示的预测方法。常常在块与块的接边出出现痕迹,原因就是在边缘区域预测的不够准确。如何解决这一问题?
1)训练模型,选择一个相对较好的分割网络模型,例如unet的接边问题要比segnet要轻,并且不断提高模型训练精度,使得分割模型能非常准确的分割影像块的边缘。但是这个很难迅速的看到效果。

2)采用影像分块叠加策略,逐块预测,块与块之间按一定的步长进行重叠,最后有价值的预测结果只取块的中间一圈。这样就避免了块边缘区域的预测不准造成的拼接痕迹。如图所示。
在这里插入图片描述
那么这样就会存在一个问题,你需要先把原图扩大到步长的整数倍,然后在最外围进行padding一圈步长宽度的大小。然后进行预测,虽然不能完全解决问题,但是在一定程度上可以有效缓解街边痕迹。
在这里插入图片描述
***问题二的提出:***遥感影像基本很大,上面说了在进行预测时候需要在整幅影像周围padding一圈“游泳圈”,那么你就要把整幅影像加载进内存,那你的内存肯定会原地爆炸,那就只能分块加载,那就会面临分块后如何去padding,预测后如何去取有效值。

我的解决办法是直接分情况讨论,把图像分成9区,这里以1区为例,1区域需要加载进内存大小,行为512-padding=384,列也为384。然后需要在上和左向外pading 128大小即可。取有效值的时候也相应的按照这种情况进行分别取值即可。
在这里插入图片描述
这样就可以保证分块加载进内存,然后预测,消耗的内存基本保持稳定大小,不会因为遥感影像过大而爆炸。
在这里插入图片描述
如有错误,请大家指教,感激涕零。
遥感影像样本制作方法:https://edu.youkuaiyun.com/course/play/27632/372352?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522158846807619724835845884%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fcourse.%2522%257D&request_id=158846807619724835845884&biz_id=&utm_medium=distribute.pc_search_result.none-task-edu_course_chapter-2coursefirst_rank_v2~rank_v25-2

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

能量鸣新

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
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