關(guān)于遙感影像分類 深度學習的兩大方案
第一大方案：面向?qū)ο?，基于深度學習算法
方法優(yōu)點：訓練簡單，可直接套用cifar系列 imagenet 分類方法與代碼
方法缺點：主要依賴于分割的精度，步驟繁瑣
應(yīng)用場景：Esri 2017用戶大會上簡譯已經(jīng)給出應(yīng)用產(chǎn)經(jīng)~適合在一幅圖像自己勾選訓練數(shù)據(jù)于測試，場景只限于此
無法做大規(guī)模的訓練與應(yīng)用~因為該方法主要依賴于分割精度，在分割精度達到的前提下 ~用傳統(tǒng)的機器學習方法（如SVM 貝葉斯 等）也能到較好的效果較好。（未作具體對比實驗，但是腦袋是個好東西）
評價：現(xiàn)在是深度學習的潮流，該方法 能達到炫技的效果 以及一些噱頭。雖然這么說，但是該方法也還是那么一丟丟的應(yīng)用價值
兩種pipeline ，主要在是數(shù)據(jù)的導入形式不太一樣。
pipeline one :
1.導出地理國情規(guī)則樣本呢~得到圖像與標簽，兩張圖片的 寬 高相同，且自身寬高也相同，圖像4通道 16bit，標簽單通道
- 4波段 16bit 轉(zhuǎn) 3波段8bit ,線性拉伸算法
-
標簽與圖像 合成 一張圖片，即label 與 img 的對應(yīng)元素一一相乘 （label 值為0，1）
如圖
原圖
標簽
合成圖
pipine two：
1.導出面向?qū)ο蟮牡乩韲闃颖灸貇得到圖像與標簽，圖像4通道 16bit，標簽為對象的shp 文件
2 4波段 16bit 轉(zhuǎn) 3波段8bit ,線性拉伸算法
3 shp 去裁剪影像得到pipeline one 合成圖一樣的結(jié)果
兩種pipeline 殊途同歸
第4步：
數(shù)據(jù)組織形式參照 cifar imagenet 數(shù)據(jù)集組織形式
第5步：
制作LMDB ，caffe 現(xiàn)成工具
第6步：訓練兩個網(wǎng)絡(luò)（時間猶豫的華在訓練其他網(wǎng)絡(luò)）
alexnet,vgg-16
在官網(wǎng)模型上進行finetune
第二大 語義分割方案
利用地理國情數(shù)據(jù) 一步到位，就是商湯的方案，也是現(xiàn)在目前深度學習在目標識別與檢測 的發(fā)展趨勢，未來的終極的目標便是對每一個像素精確分類
商談 其實在提交的測試報告中也已經(jīng)透露了他所有的網(wǎng)絡(luò)~主要是主要res_net 系列 inception系列等google 提出的深度網(wǎng)絡(luò)做試驗與優(yōu)化
pipeline one :
