2020 CCF BDCI 遥感影像地块分割冠军竞赛方案语义分割trick整 _语义分析

点击上方“3D视觉工坊” ，选择“星标”
干货第一时间送达
作者丨.D@知乎（已授权）
来源丨
编辑丨极市平台
导读
本文是作者参加CCF BDCI获得冠军的比赛经验总结以及语义分割trick的整理。作者的比赛方案最大的特点是将连通性问题转换为二分类问题解决，结果优异，传统图像形态学后处理仍然可靠。且无须针对性设计loss和，分类器可用多种小模型，实际环境下并行处理也更快。
赛题分析

文章插图
赛题分析
这次比赛也是第一次正式参加的比赛，地块分割本质上也是个语义分割的问题，之前没搞过，花了比较多的时间对网上的trick进行了整理学习，见最后附录整理的资料。初赛并不困难，主要考虑7类结果的平均IOU ，复赛加入了对水体和道路类的连通性评判指标。最终的方案以较大的优势在A榜和B榜取得了第一名的成绩。
数据分析

文章插图
数据分析
统计数据集中各类面积占比饼状图如上图所示，可以发现数据集中存在类别不均衡现象，建筑、道路和草地类较少，而其他类较多。进一步的统计，可以得知只有分别约7%/10%/13%的图片满足建筑/道路/草地面积占比大于1% 。数据存在极度类别不均衡现象，常规的方法不适于训练。

文章插图
分析
结合结果可以发现，尽管建筑类数据较少，但由于其地貌容易辨识，分类结果较准确；而道路和草地类则因为与其他类存在相似性，但训练数据不足，结果较差。因此，提升模型分类能力（MIOU）的关键是解决类别不均衡问题，尤其是道路类和草地类。
思路介绍整体思路

文章插图
整体思路
要解决这些问题，直接的方式是使用针对IOU设计的损失函数进行re-（如- Loss、 Focal Loss等），但训练较慢，结果收敛不稳定。其次是可以针对特殊类设计模块，但结构复杂且周期长。最终我们借鉴了的思想，用不同概率分布的训练数据训练一系列弱分类器，并通过投票融合得到强分类器。这里之所以用类似，是因为与不同，我们这里的数据并不是每轮增加错误样本权重，弱分类器的**“弱”**也是指特殊类别上弱，融合权重根据准确率与连通性需求人为规定。
数据处理

文章插图
数据处理
为了获取不同的训练数据，我们设计了不同数据处理方案：(1) 划分道路草地类正负样本（负样本指不包含该类的样本），多阶段逐步增加负样本比例（借鉴的的思想由简单到复杂训练，结果更好收敛）；(2) 在原数据的基础上，对道路草地类样本re- ，为了避免过拟合，对重采样数据进行多种数据增强（水平翻转+垂直翻转+放缩为0.75/0.875/1.125/1.25倍），与re-相比，简单直接效果好；(3) 针对建筑/道路/水体类转换处理得到二分类训练数据（同样进行数据增强并加入随机旋转90/180/270度），训练特殊的二分类器，加强模型对特殊类别的前景后景区分能力。在数据增强时，我们还进行了阈值筛选，仅对面积占比较大的图像进行相应处理，直觉上这些数据对训练更友好。