大家好，我们是“第一次做分割”团队，很高兴在论坛和大家交流“华为云杯”2020人工智能创新应用大赛的比赛心得。
本次比赛的任务是对遥感图像进行道路的语义分割，下面是我们将从数据分析，方案设计，实验结果三个方面阐述我们的解决方案。
0、数据分析
本次比赛提供了2张高分辨率影像作为训练集（40391×33106、34612×29810），6张遥感切片作为测试集（4048x6144）。通过对训练数据进行分析，可以发现数据集存在以下三个特点：1. 类别不平衡；2. 标签存在噪声；3. 训练数据量有限。
针对上述问题，我们进行我们的方案设计，整体方案设计分为：数据预处理，特征提取，后处理和模型融合四部分。
1、数据预处理
数据切割：切割大小为1024的patch进行训练，步长为992。
预处理：
策略一：（无清洗+CutMix+数据增强）使用原始切割图片，结合CutMix，多尺度训练，随机翻转，随机裁剪数据增强
策略二：（数据清洗+数据增强）将原始切割图片中无效区域占比超过75%的图片删除，结合多尺度训练，随机翻转，随机裁剪数据增强
2、特征提取
模型选择：我们选择了DeeplabV3+和OCRNet作为特征提取的模型。DeeplabV3+利用ASPP提取多尺度特征，并且采用U-like的逐步上采样方式预测结果，使得分割结果更精细；OCRNet利用上下文信息强化同一类别之间像素的贡献，且采用HRNet提取分辨率更大的特征图进行分割。
训练细节：
DeeplabV3+: Cityscapes预训练模型初始化，训练30k/40k，学习率0.005(head部分0.05)，warm up 2000 iters,，CE weight设为[2.0, 1.0]。
OCRNet: Cityscapes预训练模型初始化，训练20k，学习率0.005(head部分0.05)，warm up 500 iters，CE weight设为[2.0, 1.0]。
3、后处理
采用膨胀预测替代普通预测，缓解拼接效应，并提升切片边缘预测质量。
采用偏差预测预测替代平衡阈值预测：
平衡阈值预测：像素值类别=argmax{logit0, logit1}
偏差阈值预测：像素值类别=argmax{logit0, logit1-bias}
4、模型融合
使用3个DeeplabV3+模型与一个OCRNet模型进行融合，不使用TTA。
5、实验结果
迭代实验
消融实验
本文首发 AI Gallery: https://marketplace.huaweicloud.com/markets/aihub/modelhub/detail/?id=03b70583-e94c-417d-ae71-4ec2be1e7976
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
