2020年MathorCup大数据竞赛赛道B优秀论文1.pdfVIP

队伍编号382

赛道B

探索基于UNet模型的遥感图像地块分割与提取

摘要

针对问题一，基于初赛的UNet模型，我们首先从图像的概率阈值、卷积-池化层数

和学习率等参数对遥感图像提取耕地边界进行了优化探索，但这些方法训练效果不佳。

随后，我们提出了能够有效增加卷积时感受野大小的Dilated-UNet（D-UNet）模型，其

中将最底层的4个普通卷积调整为4个空洞率分别为3、5、7、9的空洞卷积；以及提

出基于初赛UNet模型对batchsize和dropout两个参数进行改进和优化的Advanced-UNet

模型，其中batchsize从2改为8，dropout参数从0.5改为0.2。Dilated-UNet模型训练

结果表明，除了train-loss下降75%以外，val-loss、val-acc和Kappa（D-UNet）都较劣

于初赛模型，可知D-UNet模型与初赛结果相比效果欠佳，但其对优化提取耕地边界方

面具有一定的优化作用，这为以后深入探索空洞卷积效果起到了积极的作用，拓展了思

路方向。而AdvancedUNet的模型结果表明，train-loss、val-loss和val-acc分别下降了

18.6%、4.1%、0.6%，Kappa（Advanced-UNet）=0.9587比原来的Kappa（UNet）=0.9274

提高了3.4%，并且通过Test3、Test4预测结果说明Advanced-UNet模型相比于初赛的

UNet模型对提取耕地边界、分割精度上有所优化和提高，且得到的效果更佳。最后我

们运用Advanced-UNet模型预测出Test3、Test4图像耕地比例分别为0.635，0.5642。

针对问题二，基于问题一的实践探索我们选取了阈值、卷积-池化层数、学习率、

卷积空洞率作为系统关键参数并予以简单描述。对于系统关键参数对识别精度的影响，

我们采用了Kappa系数进行定量评估。即把Advanced-UNet模型的上述4个系统关键参

数值作为初始参数值，在初始参数值的基础上对关键参数分别进行微调，采用控制变量

法进行实验，将初始参数模型和调整参数模型得到的Kappa系数进行横向比较。结果表

明，调整阈值、卷积-池化层数、学习率和空洞卷积率后模型对应的Kappa系数和初始

的相比分别下降了8.06%、10.86%、9.97%、7.56%。结果进一步显示Advanced-UNet

模型的分割效果较好。

以上两问的结果说明Advanced-UNet模型比初赛使用的U-Net模型在图像提取耕地

的边界上进行了优化，且Advanced-UNet模型训练得到的关键参数对所给图像的耕地提

取上较为适用。

关键词：遥感图像；二值化；UNet；Advanced-UNet；D-UNet；空洞卷积；Kappa系数

目录

1问题重述1

1.1问题背景1

1.2问题提出1

2问题分析1

2.1问题一的分析1

2.2问题二的分析2

3符号说明2

4模型建立2

4.1全卷积神经网络与U-Net模型2

4.1.1全卷积神经网络2

4.1.2初赛中使用的UNet模型4

4.2模型探索5

4.2.1DilatedU-Net6

4.2.2Advanced-UNet8

4.3框架选取8

5问题一实验设置与结果8

5.1实验数据处理与环境8

5.2实验流程9

5.3实验结果分析9

5.3.1模型训练结果9

5.3.2验证集精度指标10

5.3.3耕地所占比例11

6问题二的求解13

6.1系统关键参数13