# ccf_deep_remose_sensing 深度16位的图片转8位：matlab下：im2 = uint8(im1); 数据增强部分： 1. 现有的代码的训练数据并没有完全用起来，很浪费。这种生成训练数据的方式比较不好。建议可以改代码，充分利用数据来训练。 1)旋转：90,180,270,360 2)加雾（雾化程度） 3)光照调整（gama） 4)噪点（高斯） 5)镜像（左右，上下） 训练部分： 1. 用kaggle数据预训练，再微调 2. 延长训练epoch，延长50,75看看效果 后处理部分： 1.mask总图的生成策略：可能存在某个位置的像素点同时被预测为多个类的情况。应设定合理的优先级。比如road>water>building>vegetation 可选的模型： mask_rcnn,fcn,DenseNet,SegNet 训练数据存在不平衡问题，比如road中实际标签很少，在随机裁剪的情况下，很可能一个batch中，只有一小部分的mask是带有road的mask的，大多数mask图都是全黑的，即正样本太少，负样本太多，训练效果肯定不好。 复赛第一次提交数据：64分；对road和water采取了筛选标注的方法来防止不平衡数据的问题。并且建筑物和植被的训练长度进一步加长。现在各个loss都步入0.4以内。 接下来工作： 1. 数据切割准备，1000*1000 2. 数据增强：旋转，色彩扰动，高斯噪声，雾化,降低分辨率，高斯模糊 3. dropout 4. 多尺度训练，多尺度预测（112*112,256*256,500*500） 5. 引入新模型：mask rcnn, hed net 6. gan