# “华为云杯”2020人工智能创新应用大赛-季军方案
本赛题任务是基于高分辨可见光遥感卫星影像，提取复杂场景的道路与街道网络信息，将影像的逐个像素进行前、背景分割，检测所有道路像素的对应区域。
[大赛官网](https://competition.huaweicloud.com/information/1000041322/circumstance)
初赛成绩：0.8377 (6/377)
## 环境
* Ubuntu 18.04 1080Ti
* Python 3.7
* Pytorch 1.4
* albumentations
## 数据集
使用baseline默认的切图代码，切图的边长为512，步长为256，训练验证集比例为10:1。
之后通过筛再去除全黑的图像作为最终用于训练和验证的数据集。
## 网络结构
efficientunet-b3 + b4
## 涨点技巧
* 数据增强
* loss权重
* 模型融合
* 测试时增强（TTA）
* 忽略边缘预测 [知乎链接](https://zhuanlan.zhihu.com/p/158769096)
## 具体流程
### 1. 生成数据集
切分图片：打开others/cut_data.py，修改数据集地址data_dir，运行生成数据集。注意，这里使用的是baseline切图代码，生成的图片是BGR通道的，之后在预测时做了通道转换。
去除黑边：打开others/remove_black.py, 填写刚刚生成的数据集地址old_data_dir，选择去除黑边后数据集新保存的地址data_dir。
### 2. 训练
模型训练：打开train.py，修改数据集地址data_dir，选择训练的模型（默认是b4），运行。生成的权重以及日志保存在outputs文件里。
### 3. 部署
模型融合：打开others/model_fusion.py，更改b3、b4权重文件路径，运行生成集成模型的权重文件。
上传部署：将该.pth模型文件放到submission文件夹中，然后上传至modelarts部署。
## reference
[https://github.com/zhoudaxia233/EfficientUnet-PyTorch](https://github.com/zhoudaxia233/EfficientUnet-PyTorch)
“华为云杯”2020人工智能创新应用大赛-季军方案.zip （39个子文件） 
DSdc424 others 
remove_black.py 2KB model_fusion.py 417B cut_data.py 5KB LICENSE 1KB dataset __init__.py 88B RSCDataset.py 2KB transform.py 905B utile deeplearning.py 10KB utils.py 1KB __init__.py 35B model __init__.py 29B efficientunet utils.py 7KB __init__.py 91B efficientnet.py 8KB layers.py 8KB _version.py 22B efficientunet.py 7KB __pycache__ layers.cpython-37.pyc 5KB _version.cpython-37.pyc 191B efficientnet.cpython-37.pyc 6KB __init__.cpython-37.pyc 268B utils.cpython-37.pyc 6KB efficientunet.cpython-37.pyc 5KB submission efficientunet utils.py 6KB __init__.py 91B efficientnet.py 8KB layers.py 8KB _version.py 22B efficientunet.py 7KB __pycache__ layers.cpython-37.pyc 5KB _version.cpython-37.pyc 191B efficientnet.cpython-37.pyc 6KB __init__.cpython-37.pyc 268B utils.cpython-37.pyc 5KB efficientunet.cpython-37.pyc 5KB config.json 2KB customize_service.py 8KB train.py 2KB README.md 2KB资源评论
