2020年MathorCup大数据竞赛赛道B优秀论文2.pdfVIP

队伍编号604

赛道B

遥感图像地块分割与提取

摘要

本文用改进后的遥感图像地块模型进行耕地分割、提取与面积计算;并介绍该识别

系统中的重要参数,通过实验对相关参数进行定量评估.

针对问题一,需改进初赛的遥感图像耕地分割模型,并优化耕地边界的提取,从而

更准确地计算Test3、Test4中耕地在图像中所占比例并制作耕地标签图.在结构方面,

该模型用九网络集成代替了三网络集成;在参数选取上,模型将BCE、focalloss、Dice

loss等损失函数进行最优组合,并在训练中使用带重启的余弦退火学习率提升效率与

准确率;对于耕地边界的细节处理处,模型改善了预测图边缘的毛躁,并将融合结果

通过中值滤波去除噪声点.改进后模型准确率从初赛的90.68%升至93.13%.

针对问题二,需描述该改进的遥感图像耕地分割模型的关键参数,并定量评估这个

参数对识别精度的影响.本部分包含了学习率、batchsize、损失函数中的部分超参数、

输入图像尺寸和网络个数等参数的描述与定量实验.

最后,在模型评价部分,分点概述了复赛模型相较初赛模型的改进,并对模型优点

与其他有可能的改进进行简要评估.

关键词：遥感图像分割;数据增强;网络融合;中值滤波;余弦退火.

目录

一、问题重述3

1.1问题背景3

1.2问题提出3

二、模型假设4

三、符号说明4

四、问题一模型介绍及求解4

4.1问题一的分析4

4.2数据集的处理5

4.3模型网络结构6

4.4模型训练10

4.5结果分析与精度检验11

4.6标签图的预测与面积计算12

4.7模型优化总结15

五、问题二模型参数描述与评估15

5.1学习率15

5.2Loss函数选择17

5.3Loss函数中部分参数17

5.4Batchsize18

5.5网络个数18

5.6输入图像尺寸18

六、模型总结与评价19

6.1改进总结19

6.2模型评价20

七、参考文献21

一、问题重述

1.1问题背景

耕地的数量和质量是保持农业可持续发展的关键,利用卫星遥感影像可以识

别并提取耕地,并对耕地进行遥感制图,准确的耕地分布能够为国家决策部门提

供重要支撑.目前高精度的耕地信息提取主要还是依靠人工解译,耗费大量人力、

财力且效率较低,因此,遥感图像的耕地识别算法研究将对耕地遥感制图提供重

要帮助.

1.2问题提出

赛题在初赛的基础上提出.题目提供与初赛相同的8幅图像和相应耕地标

签,用于参赛者模型训练和测试,图像为tif格式.原图像预览图如图1所示,

标签图预览图如图2所示,标签图中白色（值为1）代表的是耕地类,黑色（值

为0）代表的是背景类.另提供2幅图像作为测试实例.

图1.1遥感数据预览图图1.2标注后的参考预览图（白色区域为耕地）

问题1：利用改进后的模型,从给定的2幅测试图像(Test3.tif、Test4.tif)中提

取出耕地,计算耕地在图像中所占比例,并制