遙感資源大放送（上）：用開源代碼，訓練土地分類模型

內容概要：土地分類是遙感影像的重要應用場景之一，本文介紹了土地分類的幾個經常使用方法，並利用開源語義分割代碼，打造了一個土地分類模型。

原創：HyperAI超神經

關鍵詞：遙感數據集 語義分割 機器視覺

---

遙感影像是開展測繪地理信息工做的重要數據，對於地理國情監測、地理信息數據庫更新等意義重大，在軍事、商業、民生等領域發揮了愈來愈重要的做用。
近年來，隨着國家衛星影像獲取能力的提高，遙感影像數據採集效率大幅提高，造成了低空間分辨率、高空間分辨率、寬視角多角度、雷達等多種傳感器共存的格局。

軌道中的 Landsat 2 正在收集地球遙感數據

該衛星是 NASA 陸地衛星計劃中的第 2 顆，於 1975 年發射，旨在以中等分辨率獲取全球季節性數據

傳感器種類齊全，知足了不一樣用途的對地觀測需求，可是也形成了遙感影像數據格式不統1、耗費大量存儲空間等問題，在圖像處理過程當中經常面臨較大的挑戰。

以土地分類爲例，以往利用遙感影像進行土地分類，每每依賴大量人力進行標註和統計，耗時長達數月甚至一年的時間；加上土地類型複雜多樣，不免也會出現人爲統計失誤。

隨着人工智能技術的發展，遙感影像的獲取、加工、分析，也變得更加智能和高效。

經常使用的土地分類方法

經常使用的土地分類方法，基本上分爲三類：以 GIS 爲基礎的傳統分類方法、以機器學習算法爲依據的分類方法，以及利用神經網絡語義分割的分類方法。

傳統方法：利用 GIS 地理信息系統分類

GIS 是處理遙感影像時常須要用到的工具，全稱 Geographic Information System，又被稱爲地理信息系統。

它把關係數據庫管理、高效圖形算法、插值、區劃和網絡分析等先進技術集成起來，讓空間分析變得簡單易行。

利用 GIS 對伊麗莎白河東部支流地區進行空間分析

利用 GIS 的空間分析技術，能夠獲取對應土地類型的空間位置、分佈、形態、造成和演變等信息，識別土地特徵並進行判斷。

機器學習：利用算法分類

傳統的土地分類方法包括監督分類和非監督分類。

監督分類又稱訓練分類法，它是指用已確認類別的訓練樣本像元，跟未知類別像元做比較和識別，進而完成對整個土地類型的分類。

在監督分類中，當訓練樣本精度不夠時，一般會從新選擇訓練區或人爲目視修改，以確保訓練樣本像元的準確性。

監督分類後的遙感圖像（左），紅色爲建設用地，綠色爲非建設用地

非監督分類是指沒必要提早獲取先驗類別標準，而是徹底按照遙感影像中像元的光譜特性進行統計分類，該方法自動化程度高，人爲干預少。

藉助支持向量機、最大似然法等機器學習算法，能夠極大提升監督分類和非監督分類的效率和準確度。

神經網絡：利用語義分割分類

語義分割是一種端到端像素級別的分類方法，能夠增強機器對環境場景的理解，在自動駕駛、土地規劃等領域應用普遍。

基於深度神經網絡的語義分割技術，在處理像素級分類任務時，其表現優於傳統的機器學習方法。

利用語義分割算法對某地遙感影像進行識別和判斷

高分辨率遙感圖像場景複雜、細節信息豐富，地物間光譜差別不肯定，很容易致使分割精度低，甚至產生無效分割。

利用語義分割處理高分辨率、超高分辨率遙感影像，能夠更準確地提取圖像的像素特徵，迅速且準確地識別特定土地類型，進而提升遙感圖像的處理速度。

經常使用的語義分割開源模型

經常使用的像素級語義分割開源模型包括 FCN、SegNet 和 DeepLab。

一、全卷積網絡（FCN）

特性：端到端語義分割
優勢：不限制圖像尺寸，具備通用性和高效率

缺點：沒法快速進行實時推理，處理結果不夠精細，對圖像細節不敏感

二、SegNet

特性：將最大池化指數轉移至解碼器中，改善了分割分辨率
優勢：訓練速度快、效率高，佔用內存少
缺點：測試時不是前饋（feed-forward ），須要優化來肯定 MAP 標籤

三、DeepLab

DeepLab 由 Google AI 發佈，主張用 DCNN 來解決語義分割任務，共包括 v一、v二、v三、v3+ 四個版本。

DeepLab-v1 爲了解決池化引發的信息丟失問題，提出了空洞卷積的方式，在增大感覺野的同時不增長參數數量，同時保證信息不丟失。

DeepLab-v1 模型流程演示

DeepLab-v2 在 v1 的基礎上，增長了多尺度並行，解決了對不一樣大小物體的同時分割問題。

DeepLab-v3 將空洞卷積應用在了級聯模塊，而且改進了 ASPP 模塊。

DeepLab-v3+ 在 encoder-decoder 結構上採用 SPP 模塊，能夠恢復精細的物體邊緣。細化分割結果。

模型訓練準備

目的：在 DeepLab-v3+ 基礎上，開發用於土地分類的 7 分類模型

數據：源自 Google Earth 的 304 張某地區遙感圖像。除原圖外，還包括通過專業標註的配套 7 分類圖、7 分類 mask、25 分類圖、25 分類 mask 圖像。圖像分辨率爲 560*560，空間分配率爲 1.2m。

原圖及對應 7 分類圖拼接示例，上半部分爲原圖，下半部分爲 7 分類圖

調參代碼以下：

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)

訓練詳情
算力選擇：NVIDIA T4
訓練框架：PyTorch V1.2
迭代次數：600 epoch
訓練時長：約爲 50h
IoU：0.8285（訓練數據）
AC：0.7838（訓練數據）

數據集連接：

https://openbayes.com/console...

詳細訓練過程直達連接：

https://openbayes.com/console...

遙感圖像土地七分類公共教程詳情

教程使用

教程中的樣例展現文件是 predict.ipynb，運行這個文件，會安裝環境，並展現已有模型的識別效果。

項目路徑

• 測試圖片路徑：

semantic_pytorch/out/result/pic3

• 掩膜圖片路徑：

semantic_pytorch/out/result/label

• 預測圖片路徑：

semantic_pytorch/out/result/predict

• 訓練數據列表：train.csv
• 測試數據列表：test.csv

使用說明

訓練模型進入 semantic_pytorch，訓練的模型被保存在 model/new_deeplabv3_cc.pt。

模型採用 DeepLabV3plus，訓練參數中，Loss 採用二進制交叉熵。Epoch 爲600，初始學習率0.05。

訓練指令：

python main.py

若是使用咱們已經訓練好的模型，則使用保存在 model 文件夾中 fix_deeplab_v3_cc.pt，在 predict.py 中直接調用便可。

預測指令：

python predict.py

教程地址：

https://openbayes.com/console...

模型做者

問題 1：爲了開發這個模型，你都經過哪些渠道，查閱了哪些資料？

王巖鑫：主要是經過技術社區、GitHub 等渠道，查看了一些 DeepLab-v3+ 的論文和相關項目案例，提早了解了一下都有哪些坑、怎麼克服，爲後續模型開發過程當中隨時遇到問題隨時查詢解決，作了比較充分的準備。

問題 2：過程當中遇到了哪些障礙？怎麼克服的？

王巖鑫：數據量不是很夠，致使 IoU 和 AC 的表現通常，下次能夠用數據量更豐富的公開遙感數據集試試。

問題 3：關於遙感還想嘗試哪些方向？

王巖鑫：這一次是對土地進行分類，接下來我想利用結合機器學習和遙感技術，對海洋景觀和海洋要素進行分析，又或者結合聲學技術嘗試對海底地形進行識別和判斷。

---

這次訓練所用數據量較小，在訓練集上 IoU 及 AC 表現通常，你們也能夠嘗試用已有公共遙感數據集進行模型訓練，通常狀況下訓練越充分、訓練數據越豐富，模型表現越好。

本系列的（下）篇文章中，咱們彙總了 11 個主流的公共遙感數據集，並將其作了歸類整理。你們能夠依據本文提供的訓練思路，按需選用，訓練更完善的模型。

參考：http://tb.sinomaps.com/CN/049...
file:///Users/antonia0912/Downloads/2018-6A-50.pdf
https://zhuanlan.zhihu.com/p/...
http://www.mnr.gov.cn/zt/zh/z...