Deeplab v3-plus for semantic segmentation of remote sensing(pytorch)
在ISPRS Vaihigen 2D语义标签比赛数据集上评估了deeplab v3+的表现。该数据集由33张大小不同的高分辨率遥感影像组成,每张影像都是从德国Vaihigen市高空中获取的真正射影象(TOP)。在某种程度上,这个数据集的遥感印象与普通的自然影像没有差别,他们均是由三个通道组成。所以,我们可以将其看作是普通图片。数据集还包括与每个影像对应的归一化数字表面模型(nDSM)。在这33张图像中,16张提供了精细标注的ground truth,其余17张并未公布ground truth。整个数据集包含六个类别:不透水表面、建筑、低植被、树木、汽车、杂波/背景。
- dataset:存放处理好的数据集的文件夹(处理好的数据集太大没办法放上来,所以以下train、val、test文件夹是没有上传的。可以去官网http://www2.isprs.org/commissions/comm2/wg4/vaihingen-2d-semantic-labeling-contest.html
下载然后自己处理,裁剪成512×512的图片,并自己划分训练集与验证集)
- train文件夹:存放训练集图片;
- val文件夹:存放验证集图片
- test文件夹:存放测试集图片
- train_path_list.csv:存放训练集图片及标签的实际存储位置的索引文件
- val_path_list.csv:存放验证集图片及标签的实际存储位置的索引文件
- test_path_list.csv:存放测试集图片实际存储位置的索引文件
- Result:保存模型参数与预测结果的文件夹
- utils:
- data_utils:读取数据
- color_utils:给预测图上色
- Median_frequency_balance.py:计算各类别权重
- compute_mean.py:计算数据集均值、方差
- deeplab_v3p.py:deeplab v3 plus的模型
- deeplab_v3p_train.py:想要训练模型直接运行这个文件
- predict.py:多尺度测试。使用训练好的模型进行预测
见Result/deeplab v3P/1.png与Result/deeplab v3P/2.png,这个文件夹下其他两张图是这两张预测图对应的原图