|
收录于合集 #PIE-Engine AI2 #PIE-Engine68 
导读 INTRODUCTION 近年来，随着卫星、无人机等各种对地观测平台技术的快速发展，获取的数据源特征信息越来越丰富，海量的遥感数据的存储管理、数据检索以及数据挖掘对数据处理的自动化水平也提出了更高的要求。基于影像内容的知识驱动的自动化检索是发展的必然趋势，基于场景分类的检索方式能够满足不同领域对影像的检索需求。除此之外场景分类在目标检测、灾害监测等领域也有着广泛的应用场景。 遥感图像不仅具有丰富的光谱、形状和纹理特征信息，还包含了清晰的场景语义信息。遥感图像的场景分类是指从多幅图像中区分出具有相似场景特征图像，并正确地对这些图像进行分类的方法，其目的是把一幅影像视为是一个整体，然后确定其所具有的语义类别。它是一种对遥感图像信息的重要理解方式，在遥感影像的解译和感知利用方面都具有举足轻重的意义。 为了满足遥感场景分类相关研究和业务需求，PIE-Engine AI遥感智能解译平台上线了场景分类新功能，致力为用户提供从样本集标注→数据集生成→在线训练→影像解译的全流程一体化服务。用户能够基于包含丰富地物信息的高分辨率图像，一方面可以从海量的遥感图像中实现图像相似性的智能检索，另一方面实现了自动化地物目标分类，可以极大的减少人工矢量化工作，能够高效、准确的统计基础数据。 目前，PIE-Engine AI平台首先上线了在模型自主训练平台上传数据集或选择内置的数据集实现场景分类深度学习模型的快速训练、入库以及影像数据的推理解译，下一期即将上线在样本标注平台上标注场景分类的样本集，并在模型自主训练平台上选择该数据集进行训练的全流程，敬请期待。 用户首先注册并登录平台，新建训练工程和任务，选择训练的数据集，设置训练参数启动训练，将训练的结果模型导入模型库，最后基于目标模型进行目标自动识别/成果检测。
流程图 本文以公开的SIRI-WHUDataset数据集为例，利用ResNet101深度学习框架，在PIE-Engine AI遥感智能解译平台上进行场景分类流程实践，对上传数据集、在线训练、智能解译的一站式深度学习服务进行简单地介绍。 本实例使用的数据SIRI-WHU来源于GoogleEarth，主要覆盖中国城市地区，由武汉大学RS-IDEA团队提供。该数据集共包含12个场景类别，每个类别有200张图像，共计2400张，每张图像的像素尺寸为200*200，空间分辨率为2米。 在模型自主训练平台能够实现样本数据集的导入。在数据集界面创建数据集，按照示例文件格式要求导入数据集。
数据集导入界面
数据集详情界面 模型自主训练平台通过工程-任务目录层级的形式管理训练任务，通过在工程训练界面创建训练任务，完成训练配置、数据集配置、网络结构配置、超参数配置、资源等信息的配置。
启动训练配置界面 训练采用ResNet101深度学习框架，在某种程度上解决了卷积层或全连接层在传递信息时存在信息丢失、损耗等问题，整个网络只需要学习输入、输出差别的那一部分，简化学习目标和难度。
ResNet101结构图 在训练任务界面，能够实时展示训练详情、配置参数、资源配置、训练进度、GPU使用率、训练集/验证集精度曲线及中间结果图片等信息。
训练详情界面
指标图形界面 将训练生成的模型加入模型库。
模型入库界面 在模型库中选择场景分类目标解译模型后，将自动跳转到影像智能处理平台，选取待解译数据进行影像解译处理，并支持解译结果可视化展示及数据下载。
解译处理入口
解译任务创建
解译成果展示 本实例基于PIE-Engine AI遥感智能解译平台完成了城市地区多类别场景分类模型从训练到解译的实践流程，为用户进行场景分类应用提供了便捷性操作。后续平台将会公开更多关于城市规划、自然灾害监测、土地覆盖/土地利用分类和环境监测等多个领域的遥感场景数据集和模型，届时欢迎大家使用！  确定 |
|
|
