遥感深度学习预测过程中接边问题解决

***问题一的提出：*由于深度学习在训练网络模型时，网络的模型大小是固定的，例如512512，256256，在遥感影像预测过程中，如果你直接按照网络块的大小进行预测，如图所示的预测方法。常常在块与块的接边出出现痕迹，原因就是在边缘区域预测的不够准确。如何解决这一问题？
1)训练模型，选择一个相对较好的分割网络模型，例如unet的接边问题要比segnet要轻，并且不断提高模型训练精度，使得分割模型能非常准确的分割影像块的边缘。但是这个很难迅速的看到效果。

2）采用影像分块叠加策略，逐块预测，块与块之间按一定的步长进行重叠，最后有价值的预测结果只取块的中间一圈。这样就避免了块边缘区域的预测不准造成的拼接痕迹。如图所示。

那么这样就会存在一个问题，你需要先把原图扩大到步长的整数倍，然后在最外围进行padding一圈步长宽度的大小。然后进行预测，虽然不能完全解决问题，但是在一定程度上可以有效缓解街边痕迹。

***问题二的提出：***遥感影像基本很大，上面说了在进行预测时候需要在整幅影像周围padding一圈“游泳圈”，那么你就要把整幅影像加载进内存，那你的内存肯定会原地爆炸，那就只能分块加载，那就会面临分块后如何去padding，预测后如何去取有效值。

我的解决办法是直接分情况讨论，把图像分成9区，这里以1区为例，1区域需要加载进内存大小，行为512-padding=384，列也为384。然后需要在上和左向外pading 128大小即可。取有效值的时候也相应的按照这种情况进行分别取值即可。

这样就可以保证分块加载进内存，然后预测，消耗的内存基本保持稳定大小，不会因为遥感影像过大而爆炸。

如有错误，请大家指教，感激涕零。
遥感影像样本制作方法：https://edu.csdn.net/course/play/27632/372352?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522158846807619724835845884%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fcourse.%2522%257D&request_id=158846807619724835845884&biz_id=&utm_medium=distribute.pc_search_result.none-task-edu_course_chapter-2_coursefirst_rank_v2~rank_v25-2