2020 CCF BDCI 遥感影像地块分割冠军竞赛方案语义分割trick整( 二 ) _语义分析

值得注意的是，上图中预测效果对比可以发现，多分类模型只能识别笔直的道路，部分弯曲的道路难以识别，而二分类模型可以很好地识别弯曲的道路，并且连通性也更好，这也是我们复赛的主要思路（很长一段时间内都比第二名高3-5个点）。
模型训练

文章插图
【2020 CCF BDCI 遥感影像地块分割冠军竞赛方案语义分割trick整】模型训练
有了这些数据，我们训练了一系列以HRNet和为的模型。并且我们探索了SE、CBAM、scSE等，最后是采用了提升效果最多的SE。由于比赛经验生疏，当时训了些许大模型，然而融合后提升微薄，实际上模型差异越大后续融合结果一般更好。实际环境下，若考虑计算开销，也许训练UNet等诸多小模型融合，效果更好，速度更快。
模型预测

文章插图
模型预测
在测试时，我们进行了多种数据增强，包括尺度放缩、水平/垂直翻转、90度倍数旋转（实际上，原图+水平翻转+垂直翻转+180度旋转足矣，更多的TTA提升效果很小）。得到这些预测后，我们不是进行分数求和的软投票，而是逐像素少数服从多数的硬投票，并且用二分类预测逐优先级覆盖多分类预测，人为地规定了道路>水体>建筑>其他的优先级。这里我们利用多进程+numpy矩阵运算，大大减小了投票花费的时间。
连通性后处理

文章插图
连通性后处理
最后我们使用形态学处理进一步提高了连通性，首先是用闭运算连接断裂处以及中值滤波去除毛刺；其次用面积和长度筛选阈值孤立像素团，用左边像素类别进行替换去除；第三是设计了骨架连通性增强方案，提取出某类的骨架，并适当地膨胀腐蚀，保证连通的同时不会过度超出原始预测区域；最后是设计了一个动态优先级算法，动态地进行不同类别的覆盖（主要考虑水体与道路类覆盖优先级）。
结果对比

文章插图
原图（左），单模型预测（中），多模型预测（右）
最终的结果输出如上图右所示，可以看到最终的预测图更加平滑，类别噪点大大减少，并且保证了道路和水体较好的连通性。这里融合的结果更多考虑了连通性，因而可能存在“误判”的结果，实际环境下可考虑准确性和连通性的权衡，调整阈值和权值。
总结
方案最大的特点是将连通性问题转换为二分类问题解决，结果出奇地好，传统图像形态学后处理仍然可靠。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。来了新的类别，大可以训练二分类器简单投票，数十个迭代即可得到较强的分类器。
整场比赛打下来挺累的，日常翘课熬夜debug ，所幸最后结果尚可。答辩时也认识了不少比赛老手，感慨自己经验尚浅，无论是在学术上还是工程上，都有很大的进步空间，继续努力吧~