2021 全国数字生态创新大赛 - 智能算法赛季军方案 乘风破浪的炼丹师队
关联比赛: 2021全国数字生态创新大赛-智能算法赛
比赛介绍
以“生态资产智能分析”为课题,基于不同地形地貌的高分辨率遥感影像资料,利用遥感影像智能解译技术识别提取土地覆盖和利用类型,实现生态资产盘点、土地利用动态监测、水环境监测与评估、耕地数量与监测等应用。
数据分析
categories
结合现有的地物分类实际需求,参照地理国情监测、“三调”等既有地物分类标准,设计陆域土地覆盖与利用类目体系,包括:林地、草地、耕地、水域、道路、城镇建设用地、农村建设用地,工业用地、构筑物、裸地。

主要难点
数据分布不均衡

标签噪声

同物异谱

训练测试差异大

为了解决上述几个难点 ,我们设计了如下解决思路:

模型设计
在比赛中,我们选择 Res_UNet 作为 baseline 模型,同时为了提高模型的泛化性能,我们选择了域泛化性能好的 IBN-Net 作为比赛 backbone。具体网络结构如下:


Tricks 以及实验
常规数据增强(RandomRotate90/ShiftScaleRotate/RGBShift etc.)
MixUp
SWA
LargeMarginSoftmax Loss
Ibn-net
Logist postprocess

开源代码
GitHub - whut2962575697/image_seg: A Strong Baseline for Image Semantic Segmentation
查看更多内容,欢迎访问天池技术圈官方地址:2021全国数字生态创新大赛-智能算法赛季军方案 乘风破浪的炼丹师队_天池技术圈-阿里云天池
评论