前沿
我们是西南交通大学朱庆教授带领的虚拟地理环境团队，我们团队主页是：https://vrlab.org.cn/
很荣幸在“华为云杯”2020西安人工智能创新应用大赛中获得冠军，下面是我们的方案分享
我们已将方案同步到：https://github.com/liaochengcsu/road_segmentation_pytorch 欢迎各位大佬同本菜鸟一起交流探讨
一、问题分析
1、遥感影像中道路特点：
城市主干道与郊区公路尺度差异大；道路与其它背景信息样本不平衡；城市绿化等遮挡严重，道路标注不对应；传感器、环境、构筑材料等，导致外观多样化。
2、现有方法存在问题：
主流方法为语义分割，在有限的数据集训练，模型过拟合严重，使得模型在不同区域泛化性差；提取结果可靠性低，无法广泛地在实际产品应用。
二、解决方案
1、网络架构：
编码模块选用ImageNet预训练的ResNeXt200网络，在E-D架构的基础上，提出一种通道注意力增强的特征自适应融合方法，并设计基于梯度的边缘约束模块。在增强空间细节和语义特征的同时，提高道路边缘的特征响应，实现多尺度道路准确提取。
2、使用策略：
随机平衡采样：影像裁剪
数据增强：训练过程中随机翻转，旋转，缩放，色彩
损失函数：BCE+Dice，权重1:1
优化函数：SGD,初始学习率lr=0.01
TTA（原始影像，上下翻转，180度旋转）
后处理：基于阈值的空洞填补和噪声去除
三、处理结果
样本裁剪获得20733×512×512数据标签对，按7:3随机划分成训练集和验证集（16337：4396）。在24G单卡TITAN RTX上单轮训练时间小于1小时，模型完整训练周期约24小时，模型在训练24轮左右，线下精度约为0.8267，此时线上精度达0.8411（初赛排名2/377）。下图是我们方案处理结果示例：
四、比赛总结
比赛数据和标签存在很多不对应问题，特别是细小道路标注不完整，道路被绿化遮挡问题严重，使得模型精度总体较低。
由于时间有限，对提取结果后处理比较粗糙。个人认为结合道路连续性特征，可以获得显著精度提升，这也是遥感智能解译应用必需解决的问题。
本文首发 AI Gallery:https://marketplace.huaweicloud.com/markets/aihub/modelhub/detail/?id=92a0d8f9-9791-41ce-a1c8-2ae6174a1a91
本赛事赛题：https://competition.huaweicloud.com/information/1000041322/circumstance
决赛获奖选手分享集锦：https://competition.huaweicloud.com/information/1000041322/share
