gboy

  • 6

    获得赞
  • 0

    发布的文章
  • 2

    答辩的项目

心得

Batch大小为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为92.27。

最后更新 2019/09/03 20:14 阅读 2437

遥感影像场景分类预测

最后更新 2019/09/03 20:14

阅读 2437

DenseNet PyTorch

【赛题分析】
遥感图像场景分类是指从多幅遥感图像中区分出具有相似场景特征的图像,并对这些图像进行分类,为每一幅遥感图像赋予场景类别标签。
本项竞赛针对包含典型的遥感图像场景对象,使用提供的数据对指定的遥感图像进行场景分类,依据评分标准对遥感图像场景分类结果进行综合评价。赛题训练数据较大,训练集有6w多,验证机有2w多,图像大小不一,有256*256,但大部分集中在512*512,训练时间较长,后期要提高分数相对较难。评价指标为常用的F1指标,只要使用常规的分类模型就可以训练出结果,之后再进行微调。
 
【核心思路】
1.使用DenseNet作为训练模型,训练速度快且效果好。
2.分阶段训练,更好地进行微调,并采用余弦退火算法对学习率进行调整,加快Loss收敛。
3.数据增强使用随机裁剪和随机遮挡,未添加更多的数据增强操作,可以调整亮度,高斯模糊等基础操作,添加之后进行调整效果更好。
4.图片大小为节省时间使用的是224,提高图片分辨率大小可以提升效果,但相应的Batch Size要减小,训练时间就变得更长了。
5.测试时直接预测,未使用TTA,进行测试增强可以提升效果,如将图片进行翻转,裁剪等操作之后进行预测,平均多次操作之后的综合结果。
6.代码中内置混淆矩阵显示,可以观察分类错误的类别信息,抽取出来进行单独分类再融合进结果中,提高个别容易出错的类别的准确率,在比赛中发现桥和立交桥这两个类别准备率较低,可以单独进行分类在进行融合,但时间关系就没有提交新的结果。
7.其他更多的细节方面的问题都可以在代码中查阅,这份代码还只是Baseline,还有很大的提升空间,完全可以有更进一步的提升。
 
【比赛经验总结】
对于这种训练时间长的比赛可以减少验证集的验证轮次,比如10个Epoch在验证一次,减少训练时间。
同时,在月初就应该调整出一份Baseline代码,之后才有充裕的时间可以进行参数调整,后期调代码的人太多,占卡现象严重,需要在前期就把部分工作做好,不要拖慢这个训练节奏。
本文为作者在FlyAI平台发布的原创内容,采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可,转载请附上原文出处链接和本声明。
本文链接地址:https://flyai.com/n/56713
立即参加 遥感影像场景分类预测
代码展示
选择查看文件
$vue{codeKeys}
  • $vue{ix}
赞赏贡献者还可以查看和下载优质代码内容哦!
赞赏 ¥86.62元
©以上内容仅用于在FlyAI平台交流学习,禁止转载、商用;违者将依法追究法律责任。
讨论
500字
表情
每日优质讨论奖励 20FAI
发送
每日优质讨论奖励 20FAI
删除确认
是否删除该条评论?
取消 删除
感谢您的关注
该篇内容公开后我们将会给你推送公开通知
好的
发布成功!
您的公开申请已发送至后台审核,
通过后将公开展示本详情页!
知道了
向贡献者赞赏
¥86.62
微信支付
支付宝

请先绑定您的微信账号 点击立即绑定

立即支付
温馨提示:
支付成功后不支持申请退款,请理性消费;
支付成功将自动解锁当前页面代码内容,付款前请确认账号信息。
微信扫码支付
请前往Web网页进行支付

敬请谅解,如有疑问请联系FlyAI客服

知道了
举报
请选择举报理由
确定
提示
确定要删除?
取消删除

今日签到成功

获得 $vue{sianData.sign_fai} FAI的GPU算力积分

知道了