遙感圖像語義分割是圖像分割領(lǐng)域的一個(gè)重要的垂類應(yīng)用，有著廣泛的需求和實(shí)際應(yīng)用價(jià)值，尤其在災(zāi)害評(píng)估、農(nóng)作物產(chǎn)量估計(jì)和土地變化監(jiān)測(cè)等領(lǐng)域有著不可替代的作用。相比于自然圖像的語義分割，遙感圖像語義分割由于有其自身的特殊性和挑戰(zhàn)性，如遙感圖像存在大量微小目標(biāo)，這就要求分割方法和結(jié)果要足夠精細(xì)。

近年來，隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)成為圖像語義分割領(lǐng)域的主流技術(shù)。但由于遙感圖像預(yù)處理、模型設(shè)置、訓(xùn)練超參數(shù)等條件的不同，導(dǎo)致很多研究者在同一個(gè)遙感語義分割數(shù)據(jù)集上取得的表現(xiàn)會(huì)存在較大的差異。為了解決這個(gè)問題，飛槳與百度研究院大數(shù)據(jù)實(shí)驗(yàn)室合作，基于飛槳圖像分割套件PaddleSeg，聯(lián)合發(fā)布了一套完整的遙感圖像分割Benchmark。我們測(cè)試了不同模型在多個(gè)遙感圖像語義分割數(shù)據(jù)集上的性能，為廣大開發(fā)者提供了一套可復(fù)現(xiàn)比較的標(biāo)準(zhǔn)基線。和已經(jīng)發(fā)表的遙感圖像語義分割模型相比，PaddleSeg提供的模型在遙感圖像語義分割領(lǐng)域可以取得SOTA性能，部分性能數(shù)據(jù)如下所示。

• 以下性能數(shù)據(jù)均來自：

https://github.com/PaddlePaddle/PaddleSeg

此次，我們還引入了近期比較流行的自監(jiān)督預(yù)訓(xùn)練模型，即首先在大規(guī)模遙感圖像數(shù)據(jù)集上對(duì)骨干網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，然后利用遙感圖像語義分割數(shù)據(jù)在下游任務(wù)上進(jìn)行微調(diào)。我們?cè)贛illion-AID和DOTA2.0兩個(gè)遙感圖像數(shù)據(jù)集上應(yīng)用自監(jiān)督學(xué)習(xí)方法。為了獲得充足的遙感數(shù)據(jù)，我們將兩個(gè)遙感數(shù)據(jù)集內(nèi)不同分辨率的圖像剪裁至512x512。剪裁后的Million-AID數(shù)據(jù)集包含2,500,000張遙感圖像切片，DOTA2.0數(shù)據(jù)集包含1,700,000張遙感圖像切片，最終各方法性能數(shù)據(jù)如下所示。

• 以下性能數(shù)據(jù)均來自：

https://github.com/PaddlePaddle/PaddleSeg

針對(duì)遙感圖像語義分割的小目標(biāo)問題，我們提出了一個(gè)由粗粒度到細(xì)粒度的二階段分割模型C2FNet。受到人工標(biāo)注過程的啟發(fā)，C2FNet首先對(duì)遙感圖像進(jìn)行一次粗分割，并通過粗分割結(jié)果定位出小目標(biāo)所在區(qū)域，然后對(duì)小目標(biāo)所在的區(qū)域進(jìn)行放大和進(jìn)一步的細(xì)分割，最后對(duì)兩次分割結(jié)果進(jìn)行融合，從而提升小目標(biāo)分割能力。如圖7所示是CFNet模型結(jié)構(gòu)示意。

C2FNet在主流遙感圖像分割數(shù)據(jù)集iSAID上取得小目標(biāo)分割SOTA性能。相比于基線模型，C2FNet對(duì)小目標(biāo)如小型車輛、船舶、直升機(jī)等類別，mIoU最高提升可達(dá)2.19個(gè)百分點(diǎn)。并且C2FNet架構(gòu)具有通用性，可適用于各種語義分割模型，對(duì)小目標(biāo)分割結(jié)果均有不同程度的提升。

通過上圖，我們可以看出C2FNet可以分割出更多的小目標(biāo)像素，緩解基線模型對(duì)小目標(biāo)分割能力不足的問題。

針對(duì)遙感圖像分割領(lǐng)域基線不統(tǒng)一的問題，我們利用PaddleSeg在不同的遙感分割數(shù)據(jù)集上進(jìn)行了測(cè)試，提供了可比較的SOTA基線，完善了PaddleSeg對(duì)遙感圖像的支持。同時(shí)引入近期比較流行的自監(jiān)督預(yù)訓(xùn)練模型，給廣大開發(fā)者提供了更多的選擇。針對(duì)遙感圖像的小目標(biāo)分割問題，我們提出了C2FNet二階段分割框架，在小目標(biāo)分割任務(wù)上取得SOTA性能。

本次提供的模型在PaddleSeg倉庫的develop分支下可下載，歡迎star支持！

https://github.com/PaddlePaddle/PaddleSeg/tree/develop/contrib/RSSegBenchmark

小伙伴們還在等什么，一起用PaddleSeg玩轉(zhuǎn)遙感圖像分割吧，感興趣的小伙伴可以添加交流群，還可以獲取PaddleSeg團(tuán)隊(duì)整理的重磅學(xué)習(xí)大禮包哦~

關(guān)注【飛槳PaddlePaddle】公眾號(hào)，回復(fù)關(guān)鍵詞：paddleseg，獲取學(xué)習(xí)資料包~