“华为云杯”2020人工智能创新应用大赛-季军方案.zip

# “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)