2020年MathorCup大数据竞赛赛道B优秀论文11

在2020年的MathorCup大数据竞赛的赛道B中，队伍编号382针对遥感图像的耕地边界提取进行了深入研究。他们主要探讨了如何优化基于UNet的模型来提升地块分割与提取的效率和准确性。这篇优秀论文详细阐述了两种改进的UNet模型：Dilated-UNet（D-UNet）和Advanced-UNet。 团队对初赛的UNet模型进行了初步优化尝试，包括调整图像的概率阈值、卷积-池化层数以及学习率。然而，这些尝试并未取得理想的效果。为了解决这个问题，他们引入了Dilated-UNet模型，该模型通过使用不同空洞率（dilation rate）的空洞卷积（dilated convolution）来扩大卷积层的感受野，期望能更有效地捕捉到图像的全局信息。D-UNet模型将最底层的4个普通卷积替换为4个具有不同空洞率的卷积层，空洞率分别设置为3、5、7、9。尽管D-UNet模型的train-loss有显著下降（约75%），但在val-loss、val-acc和Kappa指标上表现并不如原版UNet。这表明D-UNet在优化耕地边界提取方面有一定的作用，但整体性能仍有待提高，为空洞卷积的进一步研究提供了方向。 接下来，团队提出了Advanced-UNet模型，该模型主要改进了batch size和dropout参数。将batch size从2增大到8，同时将dropout参数从0.5减小到0.2。这样的改动带来了显著的性能提升：train-loss、val-loss和val-acc分别下降了18.6%、4.1%和0.6%，Kappa系数从0.9274提高到0.9587，表明Advanced-UNet在保持模型稳定性的同时提高了分割精度。此外，通过Test3和Test4的预测结果，Advanced-UNet模型在提取耕地边界和分割质量上均优于初赛的UNet模型。 针对问题二，团队关注了关键参数（阈值、卷积-池化层数、学习率和卷积空洞率）对识别精度的影响。他们采用Kappa系数进行定量评估，并通过控制变量法进行了一系列实验。结果表明，调整这四个关键参数后，模型的Kappa系数分别下降了8.06%、10.86%、9.97%和7.56%，进一步证实了Advanced-UNet模型在分割效果上的优势。 总结来说，Advanced-UNet模型通过优化关键参数，特别是在增大batch size和调整dropout策略，成功地改进了初赛UNet模型的性能，提升了遥感图像中耕地边界的提取和分割精度。同时，D-UNet模型虽然在某些指标上略逊色，但它为空洞卷积的研究提供了有价值的参考。这两个模型的探索为未来遥感图像处理技术的发展提供了新的思路和可能。