隨著人工智能的不斷發(fā)展，深度學(xué)習(xí)被利用的越來(lái)越廣泛。但是在使用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前最重要的是要有良好的數(shù)據(jù)集，而給數(shù)據(jù)集做標(biāo)注則需要花費(fèi)大量的人力。

如何利用高空間分辨率的無(wú)人機(jī)影像或遙感影像來(lái)創(chuàng)建一個(gè)合適的數(shù)據(jù)集？對(duì)大量的影像進(jìn)行標(biāo)注的工作是必不可少的，但是現(xiàn)在流行的圖像標(biāo)注軟件，例如labelimg、labelme等軟件并不適合遙感影像數(shù)據(jù)集的標(biāo)注工作。原因有二：一是主流的標(biāo)注軟件是在已經(jīng)裁剪好的圖片進(jìn)行打標(biāo)簽，而遙感影像要保證樣本的數(shù)據(jù)量通常需要設(shè)置比較高的重疊度去對(duì)影像裁剪，這就使得我們?nèi)绻胠abelimg去打標(biāo)簽的話，同一個(gè)樣本需要打多次標(biāo)簽，這無(wú)疑增加了很多工作量；二是，對(duì)于同一個(gè)地方的遙感影像通常會(huì)有多時(shí)段的數(shù)據(jù)樣本，這樣如果我們每次都按照傳統(tǒng)的打標(biāo)簽方法會(huì)導(dǎo)致工作量成倍數(shù)增長(zhǎng)。

因此，如果我們使用Arcgis Pro對(duì)遙感影像進(jìn)行標(biāo)注能夠很好的幫我們解決這兩個(gè)問(wèn)題。使用Arcgis Pro進(jìn)行數(shù)據(jù)標(biāo)注可以在我們對(duì)一整幅遙感影像的樣本處理好后再進(jìn)行切片導(dǎo)出，可以按照重疊度導(dǎo)出，輕松增加多倍的樣本數(shù)據(jù)量。使用Arcgis Pro進(jìn)行標(biāo)注還有一個(gè)好處就是可以導(dǎo)出當(dāng)前不同深度網(wǎng)絡(luò)使用的不同數(shù)據(jù)集。

一、創(chuàng)建訓(xùn)練方案

1、單擊功能區(qū)上的 影像 選項(xiàng)卡，在 影像分類(lèi)組 中，單擊 分類(lèi)工具 并選擇訓(xùn)練 樣本管理器

訓(xùn)練樣本管理器窗口默認(rèn)顯示國(guó)家土地覆被數(shù)據(jù)庫(kù)(NLCD2011) 的分類(lèi)方案。這里我們則創(chuàng)建一個(gè)新方案，只有一類(lèi)就是我們感興趣的建筑

2、在 影像分類(lèi) 窗口，單擊 創(chuàng)建新方案

移除 NLCD2011 方案。重命名新建方案并向其中添加一個(gè)建筑類(lèi)。

3、右鍵 新建方案 并選擇 編輯屬性，名稱(chēng) 輸入 建筑，單擊 保存

4、選擇 建筑 方案后，單擊 添加新類(lèi) 按鈕

在添加新類(lèi)窗口中，設(shè)置以下參數(shù)：

名稱(chēng)：輸入 建筑

值：輸入 5

顏色：選擇 紅色

二、創(chuàng)建訓(xùn)練樣本

1、在訓(xùn)練 樣本管理器 窗口中，選擇 建筑 類(lèi)，單擊面工具繪制建筑輪廓

2、在影像中根據(jù)建筑外輪廓繪制面

3、將影像內(nèi)所有的建筑都創(chuàng)建訓(xùn)練樣本

訓(xùn)練樣本管理器窗格 部分中的訓(xùn)練樣本表中列出了表示每個(gè)類(lèi)的樣本數(shù)量和像素百分比。

如果使用分割選取器來(lái)收集訓(xùn)練樣本，則樣本數(shù)是選擇用于定義類(lèi)的分割數(shù)量。

當(dāng)使用統(tǒng)計(jì)分類(lèi)器（例如最大似然法）時(shí)，這一點(diǎn)尤為重要，因?yàn)榉指顢?shù)量代表了樣本的總數(shù)量。 例如，如果收集八個(gè)段作為一個(gè)類(lèi)的訓(xùn)練樣本，則可能不是一個(gè)用于生成可靠分類(lèi)的具有統(tǒng)計(jì)顯著性的樣本數(shù)量。 但是，如果收集相同訓(xùn)練樣本作為像素，則訓(xùn)練樣本可能由數(shù)百或數(shù)千個(gè)像素表示，那么這就是具有統(tǒng)計(jì)顯著性的樣本數(shù)量。當(dāng)使用非參數(shù)機(jī)器學(xué)習(xí)分類(lèi)器時(shí)（例如隨機(jī)樹(shù)和支持向量機(jī)），訓(xùn)練樣本的數(shù)量和百分比則不太重要。

4、保存樣本文件，將要素類(lèi)命名為 建筑 保存至gdb數(shù)據(jù)庫(kù)中

5、從gdb數(shù)據(jù)庫(kù)加載剛保存的 建筑 要素類(lèi)

打開(kāi)屬性表中會(huì)根據(jù)訓(xùn)練樣本管理器中設(shè)置的類(lèi)別參數(shù)，創(chuàng)建Classcode、Classname、Classvalue和RGB、Count等字段

其中Classvalue是后續(xù)導(dǎo)出樣本所參考的重要字段。

三、導(dǎo)出訓(xùn)練數(shù)據(jù)進(jìn)行深度學(xué)習(xí)

1、在功能區(qū)上單擊 分析 選項(xiàng)卡。在地理處理組中單擊 工具，點(diǎn)擊 Spatial ?Analyst工具 —— 影像分割和分類(lèi) —— 導(dǎo)出訓(xùn)練數(shù)據(jù)進(jìn)行深度學(xué)習(xí)

2、在導(dǎo)出訓(xùn)練數(shù)據(jù)進(jìn)行深度學(xué)習(xí)工具中，輸入以下參數(shù)并單擊運(yùn)行：

輸入柵格：選擇源影像。這里我們選擇image.tif。

輸出文件夾：選擇存儲(chǔ)輸出影像片和元數(shù)據(jù)的文件夾。這里我們?cè)诠こ滔聞?chuàng)建一個(gè)output的文件夾用來(lái)存儲(chǔ)輸出的數(shù)據(jù)。

輸入要素類(lèi)或分類(lèi)柵格或表：選擇 建筑.shp。

類(lèi)值字段：選擇 Classvalue。

緩沖半徑：用于描繪訓(xùn)練樣本區(qū)域的，圍繞每個(gè)訓(xùn)練樣本的緩沖區(qū)的半徑?？梢越璐藦狞c(diǎn)創(chuàng)建圓形面訓(xùn)練樣本。

輸入掩膜面：用于描繪將創(chuàng)建影像片的區(qū)域，系統(tǒng)默認(rèn)僅會(huì)創(chuàng)建完全位于面內(nèi)的影像。

圖像格式：指定將用于影像片輸出的柵格格式，包含TIFF、MRF、PNG、JPEG。

切片大小XY：影像切片的大小

步幅XY：創(chuàng)建下一個(gè)影像切片時(shí) x y方向上移動(dòng)的距離，即兩張切片的重疊部分。

旋轉(zhuǎn)角度：

參考系統(tǒng)：指定將用于解釋輸入影像的參考系類(lèi)型。 指定的參考系必須與訓(xùn)練深度學(xué)習(xí)模型所使用的參考系相匹配。

■ 地圖空間 —將使用基于地圖的坐標(biāo)系。

■ 像素空間 —將使用圖像空間，沒(méi)有旋轉(zhuǎn)且沒(méi)有失真。

輸出無(wú)要素切片：指定是否將導(dǎo)出不捕獲訓(xùn)練樣本的影像。

■ 選中 - 將導(dǎo)出所有影像，包括沒(méi)有訓(xùn)練樣本的影像。

■ 未選中 - 僅會(huì)導(dǎo)出訓(xùn)練樣本的影像。

元數(shù)據(jù)格式：指定輸出元數(shù)據(jù)標(biāo)注的格式。這里根據(jù)我們訓(xùn)練的情況，選擇的是RCNN掩膜的方法。

包含以下幾種方式：

■ KITTI 標(biāo)注 —元數(shù)據(jù)遵循與卡爾斯魯厄理工學(xué)院和豐田工業(yè)大學(xué) (KITTI) 對(duì)象檢測(cè)評(píng)估數(shù)據(jù)集相同的格式。 KITTI 數(shù)據(jù)集是一款視覺(jué)基準(zhǔn)套件。 標(biāo)注文件是純文本文件。 所有的值（數(shù)值和字符串）均由空格分隔開(kāi)，每行對(duì)應(yīng)一個(gè)對(duì)象。 此格式將用于對(duì)象檢測(cè)。

■ PASCAL 可視化對(duì)象類(lèi) —元數(shù)據(jù)遵循與模式分析、統(tǒng)計(jì)建模和計(jì)算學(xué)習(xí)、可視化對(duì)象類(lèi) (PASCAL_VOC) 數(shù)據(jù)集相同的格式。 PASCAL VOC 數(shù)據(jù)集是用于對(duì)象類(lèi)識(shí)別的標(biāo)準(zhǔn)化影像數(shù)據(jù)集。 標(biāo)注文件為 XML 格式，包含有關(guān)影像名稱(chēng)、類(lèi)值和邊界框的信息。 此格式將用于對(duì)象檢測(cè)。 這是默認(rèn)設(shè)置。

■ 已分類(lèi)切片 —每有一個(gè)輸入影像，就將輸出一個(gè)分類(lèi)影像。 對(duì)于每個(gè)影像片，未使用其他元數(shù)據(jù)。 只有統(tǒng)計(jì)數(shù)據(jù)輸出具有更多關(guān)于類(lèi)的信息，如類(lèi)名稱(chēng)、類(lèi)值和輸出統(tǒng)計(jì)數(shù)據(jù)。 此格式主要用于像素分類(lèi)。 當(dāng)輸出是來(lái)自兩影像中的一個(gè)分類(lèi)影像時(shí)，此格式也用于更改檢測(cè)。

■ RCNN 掩膜 —輸出將為在樣本所在的區(qū)域上具有掩膜的影像。 該模型將為影像中對(duì)象的每個(gè)實(shí)例生成邊界框和分割掩膜。 此格式基于特征金字塔網(wǎng)絡(luò) (FPN) 和深度學(xué)習(xí)框架模型中的 ResNet101 核心支柱。 此格式將用于對(duì)象檢測(cè)。

■ 已標(biāo)注切片 —每個(gè)輸出切片都將使用特定類(lèi)進(jìn)行標(biāo)注。 此格式將用于對(duì)象分類(lèi)。

■ 多標(biāo)注切片 —每個(gè)輸出切片都將使用一個(gè)或多個(gè)類(lèi)進(jìn)行標(biāo)注。 例如，可將切片標(biāo)注為“農(nóng)業(yè)”，也可將其標(biāo)注為“多云”。 此格式將用于對(duì)象分類(lèi)。

■ 導(dǎo)出切片 —輸出將為不帶標(biāo)注的影像。 此格式用于影像轉(zhuǎn)換技術(shù)，例如 Pix2Pix 和超分辨率。

■ CycleGAN —輸出將為不帶標(biāo)注的影像。此格式用于影像轉(zhuǎn)換技術(shù) CycleGAN，該技術(shù)用于訓(xùn)練不重疊的影像。

3、樣本輸出

其中images和labels中存放的是樣本導(dǎo)出的切片和標(biāo)注。

至此我們的樣本制作工作已經(jīng)完成，接下來(lái)可以使用PyTorch，TensorFlow，以及國(guó)內(nèi)的PaddlePaddle、Jittor、MegEngine等深度學(xué)習(xí)框架進(jìn)行模型訓(xùn)練。

人工智能是新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動(dòng)力，深度學(xué)習(xí)已成為其中最有影像的關(guān)鍵共性技術(shù)。遙感影像智能解譯通過(guò)深度學(xué)習(xí)技術(shù)引入遙感數(shù)據(jù)的解譯中來(lái)極大提升對(duì)遙感數(shù)據(jù)的自動(dòng)化處理和分析能力。遙感影像智能解譯樣本庫(kù)的構(gòu)建是一項(xiàng)持續(xù)性工作，如何充分利用已有各類(lèi)樣本數(shù)據(jù)集，將其進(jìn)行歸一化整合處理后納入樣本庫(kù)中，建立一個(gè)多類(lèi)型、多尺度、多級(jí)別的遙感影像樣本庫(kù)是進(jìn)行遙感解譯的關(guān)鍵一步。