遥感资源大放送：用开源代码，训练土地分类模型

深蓝学院 3天前

以下文章来源于HyperAI超神经 ，作者神经三羊

内容概要：土地分类是遥感影像的重要应用场景之一，本文介绍了土地分类的几个常用方法，并利用开源语义分割代码，打造了一个土地分类模型。

关键词：遥感数据集   语义分割   机器视觉

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。

轨道中的 Landsat 2 正在收集地球遥感数据

该卫星是 NASA 陆地卫星计划中的第 2 颗，于 1975 年发射，旨在以中等分辨率获取全球季节性数据。

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。

1

常用的土地分类方法

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。

1. 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 对伊丽莎白河东部支流地区进行空间分析

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。

2. 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。

监督分类后的遥感图像（左）

红色为建设用地，绿色为非建设用地

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。

3. 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。

2

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-v1 模型流程演示

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。

3

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)**0.9exp_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

遥感图像土地七分类公共教程详情

1. 教程使用 

教程中的样例展示文件是 predict.ipynb，运行这个文件，会安装环境，并展示已有模型的识别效果。

2. 项目路径 

测试图片路径：

semantic_pytorch/out/result/pic3

掩膜图片路径：

semantic_pytorch/out/result/label

预测图片路径：

semantic_pytorch/out/result/predict

训练数据列表：train.csv

测试数据列表：test.csv

3. 使用说明 

训练模型进入 semantic_pytorch，训练的模型被保存在 model/new_deeplabv3_cc.pt。

模型采用 DeepLabV3plus，训练参数中，Loss 采用二进制交叉熵。Epoch 为600，初始学习率0.05。

4. 训练指令：

python main.py

如果使用我们已经训练好的模型，则使用保存在 model 文件夹中 fix_deeplab_v3_cc.pt，在 predict.py 中直接调用即可。

5. 预测指令：

python predict.py

6. 教程地址：

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

7. 模型作者

王岩鑫（黑龙江大学软件工程）， 研二，现于 OpenBayes 实习。

问题 1：为了开发这个模型，你都通过哪些渠道，查阅了哪些资料？

王岩鑫：主要是通过技术社区、GitHub 等渠道，查看了一些 DeepLab-v3+ 的论文和相关项目案例，提前了解了一下都有哪些坑、怎么克服，为后续模型开发过程中随时遇到问题随时查询解决，做了比较充分的准备。

问题 2：过程中遇到了哪些障碍？怎么克服的？

王岩鑫：数据量不是很够，导致 IoU 和 AC 的表现一般，下次可以用数据量更丰富的公开遥感数据集试试。

问题 3：关于遥感还想尝试哪些方向？

王岩鑫：这一次是对土地进行分类，接下来我想利用结合机器学习和遥感技术，对海洋景观和海洋要素进行分析，又或者结合声学技术尝试对海底地形进行识别和判断。

此次训练所用数据量较小，在训练集上 IoU 及 AC 表现一般，大家也可以尝试用已有公共遥感数据集进行模型训练，一般情况下训练越充分、训练数据越丰富，模型表现越好。

参考链接

1. http://tb.sinomaps.com/CN/0494-0911/home.shtml

2. file:///Users/antonia0912/Downloads/2018-6A-50.pdf

3. https://zhuanlan.zhihu.com/p/75333140

4. http://www.mnr.gov.cn/zt/zh/zljc/201106/t20110619_2037196.html

不看的原因确定内容质量低不看此公众号