用 DeepLab-v3+，训练土地七分类模型

遥感影像是开展测绘地理信息工作的重要数据，对于地理国情监测、地理信息数据库更新等意义重大，在军事、商业、民生等领域发挥了越来越重要的作用。

近年来，随着国家卫星影像获取能力的提升，遥感影像数据采集效率大幅提升，形成了低空间分辨率、高空间分辨率、宽视角多角度、雷达等多种传感器共存的格局。

传感器种类齐全，满足了不同用途的对地观测需求，但是也造成了遥感影像数据格式不统一、耗费大量存储空间等问题，在图像处理过程中常常面临较大的挑战。

以土地分类为例，以往利用遥感影像进行土地分类，往往依赖大量人力进行标注和统计，耗时长达数月甚至一年的时间；加上土地类型复杂多样，难免也会出现人为统计失误。

随着人工智能技术的发展，遥感影像的获取、加工、分析，也变得更加智能和高效。

常见的土地分类方法

常用的土地分类方法，基本上分为三类：以 GIS 为基础的传统分类方法、以机器学习算法为依据的分类方法，以及利用神经网络语义分割的分类方法。

传统方法：利用 GIS 地理信息系统分类

GIS 是处理遥感影像时常需要用到的工具，全称 Geographic Information System，又被称为地理信息系统。

它把关系数据库管理、高效图形算法、插值、区划和网络分析等先进技术集成起来，让空间分析变得简单易行。

利用 GIS 的空间分析技术，可以获取对应土地类型的空间位置、分布、形态、形成和演变等信息，识别土地特征并进行判断。

机器学习：利用算法分类

传统的土地分类方法包括监督分类和非监督分类。

监督分类又称训练分类法，它是指用已确认类别的训练样本像元，跟未知类别像元作比较和识别，进而完成对整个土地类型的分类。

在监督分类中，当训练样本精度不够时，通常会重新选择训练区或人为目视修改，以确保训练样本像元的准确性。

非监督分类是指不必提前获取先验类别标准，而是完全按照遥感影像中像元的光谱特性进行统计分类，该方法自动化程度高，人为干预少。

借助支持向量机、最大似然法等机器学习算法，可以极大提高监督分类和非监督分类的效率和准确度。

神经网络：利用语义分割分类

语义分割是一种端到端像素级别的分类方法，可以加强机器对环境场景的理解，在自动驾驶、土地规划等领域应用广泛。

基于深度神经网络的语义分割技术，在处理像素级分类任务时，其表现优于传统的机器学习方法。

利用语义分割算法对某地遥感影像进行识别和判断

高分辨率遥感图像场景复杂、细节信息丰富，地物间光谱差异不确定，很容易导致分割精度低，甚至产生无效分割。

利用语义分割处理高分辨率、超高分辨率遥感影像，可以更准确地提取图像的像素特征，迅速且准确地识别特定土地类型，进而提高遥感图像的处理速度。

常用的语义分割开源模型

常用的像素级语义分割开源模型包括 FCN 、SegNet 和 DeepLab 。

1 、全卷积网络（ FCN ）

特性：端到端语义分割优点：不限制图像尺寸，具有通用性和高效率

缺点：无法快速进行实时推理，处理结果不够精细，对图像细节不敏感

2 、SegNet

特性：将最大池化指数转移至解码器中，改善了分割分辨率优点：训练速度快、效率高，占用内存少缺点：测试时不是前馈（ feed-forward ），需要优化来确定 MAP 标签

3 、DeepLab

DeepLab 由 Google AI 发布，主张用 DCNN 来解决语义分割任务，共包括 v1 、v2 、v3 、v3+ 四个版本。

DeepLab-v1 为了解决池化引起的信息丢失问题，提出了空洞卷积的方式，在增大感受野的同时不增加参数数量，同时保证信息不丢失。

DeepLab-v2 在 v1 的基础上，增加了多尺度并行，解决了对不同大小物体的同时分割问题。

DeepLab-v3 将空洞卷积应用在了级联模块，并且改进了 ASPP 模块。

DeepLab-v3+ 在 encoder-decoder 结构上采用 SPP 模块，可以恢复精细的物体边缘。细化分割结果。

模型训练准备

目的：在 DeepLab-v3+ 基础上，开发用于土地分类的 7 分类模型数据：源自 Google Earth 的 304 张某地区遥感图像。除原图外，还包括经过专业标注的配套 7 分类图、7 分类 mask 、25 分类图、25 分类 mask 图像。图像分辨率为 560*560，空间分配率为 1.2m 。

原图及对应 7 分类图拼接示例，上半部分为原图，下半部分为 7 分类图

调参代码如下：

net = DeepLabV3Plus(backbone = 'xception')
criterion = CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.05, momentum=0.9,weight_decay=0.00001) 
lr_fc=lambda iteration: (1-iteration/400000)**0.9
exp_lr_scheduler = lr_scheduler.LambdaLR(optimizer,lr_fc,-1)

训练详情

算力选择：NVIDIA T4

训练框架：PyTorch V1.2

迭代次数：600 epoch

训练时长：约为 50h

IoU：0.8285 （训练数据）

AC：0.7838 （训练数据）

数据集链接：

https://openbayes.com/console/openbayes/datasets/qiBDWcROayo

详细训练过程直达链接：

https://openbayes.com/console/openbayes/containers/dOPqM4QBeM6