数据训练计划 与Pipeline

关于遥感影像分类 深度学习的两大方案

第一大方案：面向对象 ，基于深度学习算法

方法优点：训练简单，可直接套用cifar系列 imagenet 分类方法与代码
方法缺点：主要依赖于分割的精度，步骤繁琐
应用场景：Esri 2017用户大会上简译已经给出应用产经~适合在一幅图像自己勾选训练数据于测试，场景只限于此
无法做大规模的训练与应用~因为该方法主要依赖于分割精度，在分割精度达到的前提下 ~用传统的机器学习方法（如SVM 贝叶斯 等）也能到较好的效果较好。（未作具体对比实验，但是脑袋是个好东西）
评价：现在是深度学习的潮流，该方法 能达到炫技的效果 以及一些噱头。虽然这么说，但是该方法也还是那么一丢丢的应用价值

两种pipeline ，主要在是数据的导入形式不太一样。

pipeline one :
1.导出地理国情规则样本呢~得到图像与标签，两张图片的 宽 高相同，且自身宽高也相同，图像4通道 16bit，标签单通道

2. 4波段 16bit 转 3波段8bit ,线性拉伸算法

3. 标签与图像 合成 一张图片，即label 与 img 的对应元素一一相乘 （label 值为0，1）
   如图

   
   
   

   原图
   
   
   

   标签
   
   
   

   合成图

pipine two：

1.导出面向对象的地理国情样本呢~得到图像与标签，图像4通道 16bit，标签为对象的shp 文件
2 4波段 16bit 转 3波段8bit ,线性拉伸算法
3 shp 去裁剪影像得到pipeline one 合成图一样的结果

原图

结果

两种pipeline 殊途同归

第4步：
数据组织形式参照 cifar imagenet 数据集组织形式

第5步：

制作LMDB ，caffe 现成工具

第6步：训练两个网络（时间犹豫的华在训练其他网络）

alexnet,vgg-16

在官网模型上进行finetune

第二大 语义分割方案

利用地理国情数据 一步到位，就是商汤的方案，也是现在目前深度学习在目标识别与检测 的发展趋势，未来的终极的目标便是对每一个像素精确分类

商谈 其实在提交的测试报告中也已经透露了他所有的网络~主要是主要res_net 系列 inception系列等google 提出的深度网络做试验与优化

pipeline one :