SOLC (我们已经发布了完整代码!)

遥感SAR-光学土地利用分类 PyTorch实现

如果该仓库对您有用的话，欢迎star和fork，并提出您的疑问。尽量在issues中提问，有时间一定回复。

数据集来源

参考 https://github.com/AmberHen/WHU-OPT-SAR-dataset

数据集：SAR和光学影像

https://pan.baidu.com/s/1sIGsD3lBEogSCqzbDaclA 密码：i51o

论文链接: MCANet: 用于土地利用分类的光学和SAR影像联合语义分割框架

https://www.sciencedirect.com/science/article/pii/S0303243421003457

2022-06-01 更新

发布裁剪代码 (sar, opt, lbl)
发布标签转换代码
发布数据集分割代码 (6:2:2) -> (17640:5880:5880)
上传至服务器 (四张GPU)
项目结构应如下所示:

SOLC
├── dataset
|   |whu-opt-sar-dataset-256     //  根目录
│   ├──   ├── train
│   ├──   │     ├── sar
│   ├──   │     │     ├── NH49E001013_1.tif
│   ├──   │     ├── opt
│   ├──   │     │     ├── NH49E001013_1.tif
│   ├──   │     ├── lbl
│   ├──   │     │     ├── NH49E001013_1.tif
│   ├──   ├── val
│   ├──   │     ├── sar
│   ├──   │     │     ├── NH49E001013_2.tif
│   ├──   │     ├── opt
│   ├──   │     │     ├── NH49E001013_2.tif
│   ├──   │     ├── lbl
│   ├──   │     │     ├── NH49E001013_2.tif
│   ├──   ├── test
│   ├──   │     ├── sar
│   ├──   │     │     ├── NH49E001013_3.tif
│   ├──   │     ├── opt
│   ├──   │     │     ├── NH49E001013_3.tif
│   ├──   │     ├── lbl
│   ├──   │     │     ├── NH49E001013_3.tif
├── libs     //  工具
├── models     //  模型
├── tools     //  预处理
├── dataset.py
├── class_names.py
├── palette.py 
├── sync_transforms.py 
├── train.py     
├── _test.py / predict.py

2022-06-02 更新

发布Deeplabv3+代码 (sar + opt, 5通道输入)
发布学习策略代码 (步长, gamma)
发布训练Torch-Parser代码
发布VGG19代码 (基于官方实现) 权重

2022-06-03 更新

发布MCANet代码 (非官方实现, 基于deeplabv3+)
发布FCNs代码 (FCN8s, 16s 和 32s)
发布Resnet-50 权重 , Resnet-101 权重, 和 Restnet-152 权重代码
发布Unet代码
发布Segnet代码
发布PSPnet代码
发布SOLC代码 (我们的方法)

2022-06-04 更新 SOLC (我们的方法)

发布SOLC V1代码 (基于RGB-D和双重resnet 50)
发布SOLC V2代码 (基于双流deeplabv3+)
发布Deeplabv3+性能 (训练7小时)
发布训练代码
发布预测/测试代码

2022-06-05 更新 SOLC (我们的方法)

发布SOLC V1代码性能
发布SOLC V2代码性能
发布SOLC V3代码 (基于双流deeplabv3+和SAGate)
发布SOLC V4代码 (基于双流到单流deeplabv3+)
发布SOLC V5代码 (基于双流到单流deeplabv3+, SAGate和RFB)
发布SOLC V6代码 (基于双流到单流deeplabv3+和两个增强模块)

2022-06-06 更新 SOLC (我们的方法)

发布SOLC V7代码 (基于双流deeplabv3+, SAGate和ERFB) (成功版本, 恭喜!)
重新训练Unet, Segnet和MCANet
重新测试性能
发布我们的SOLC V7权重 solcv7: 百度网盘密码：solc
发布其他模型权重 others: 百度网盘密码：solc

2022-06-07 更新

发布像素统计

[0, '背景', 11824154.0, 1.0]（忽略）
[1, '农田', 708762053.0, 0.016682825992096393]
[2, '城市', 96237141.0, 0.12286476797975535]
[3, '村庄', 119738993.0, 0.09874940237721894]
[4, '水体', 292127191.0, 0.04047604729817842]
[5, '森林', 774385740.0, 0.015269075073618998]
[6, '道路', 19661970.0, 0.6013717852280317]
[7, '其他', 35164414.0, 0.3362534066400197]
标准中的权重：[1.0, 0.016682825992096393, 0.12286476797975535, 0.09874940237721894, 0.04047604729817842, 0.015269075073618998, 0.6013717852280317, 0.3362534066400197]

2022-06-08 新闻

发布更多结果
发布绘图代码

SOLC V7 框架

其他策略

设置合适的空洞卷积膨胀率atrous_rates
余弦退火重启动学习率策略warm up
使用更多的数据增强
使用更强的损失函数（focal loss）或者为类别赋予权重（见tools/class_weight.py）来解决类别不平衡问题

性能

策略	模型	总体性能
轮数=40, 批次大小=16, 随机翻转, 学习率=1e-3, 权重衰减=1e-4	deeplabv3+（未预训练）	总体准确率=0.8096,平均交并比=0.4118,kappa系数=0.7261
轮数=40, 批次大小=16, 随机翻转, 学习率=1e-3, 权重衰减=1e-4	unet（未预训练）	总体准确率=0.7846,平均交并比=0.3847,kappa系数=0.6826
轮数=40, 批次大小=16, 随机翻转, 学习率=1e-3, 权重衰减=1e-4	segnet（未预训练）	总体准确率=0.7370,平均交并比=0.3139,kappa系数=0.6148
轮数=40, 批次大小=16, 随机翻转, 学习率=1e-3, 权重衰减=1e-4	mcanet（未预训练）	总体准确率=0.8179,平均交并比=0.4296,kappa系数=0.7352
轮数=40, 批次大小=16, 随机翻转, 学习率=1e-3, 权重衰减=1e-4	solcv7（未预训练）	总体准确率=0.8222,平均交并比=0.4382,kappa系数=0.7428
模型	耕地	城市
:--------:	:------:	:--:
deeplabv3+	0.7951/0.6314	0.9414/0.6578
unet	0.7970/0.6081	0.5671/0.5174
segnet	0.7248/0.6122	0.0083/0.0083
mcanet	0.8320/0.6499	0.8394/0.6575
dcn(我们的)	0.8392/0.6505	0.9051/0.6880

模型	OA	mIOU	kappa
deeplabv3	0.8096	0.4118	0.7261
unet	0.7846	0.3847	0.6826
segnet	0.7370	0.3139	0.6148
mcanet	0.8179	0.4296	0.7352
dcn(我们的)	0.8222	0.4382	0.7428

左侧为各类别的平均精度OA，右侧为各类别的平均mIou

注意：0->背景，10->耕地，20->城市，30->村庄，40->水体，50->森林，60->道路，70->其他

安装

克隆此仓库。

$ git clone https://github.com/yisun98/SOLC.git
$ cd SOLC

安装环境

   $ pip install -r requirements.txt
   $ source activate

数据集

   $ python tools/crop_sar.py
   $ python tools/crop_opt.py
   $ python tools/convert_lbl.py
   $ python tools/crop_lbl.py
   $ python tools/split_data.py

训练

nohup python train.py >> train_<模型名称>.out 2>&1 &

详情请参见train.py。

tensorboard --logdir=<你的日志目录> --bind_all

测试/预测

nohup python train.py --model solcv7 --num_classes 8 >> train_<模型名称>.out 2>&1 &

详情请参见train.py。

python predict.py --model solcv7 --model-path <模型路径>

结果

更多结果请看这里密码：solc。

classification_25_21

classification_82_10

classification_94_2

classification_137_15

参考文献

引用 (同等贡献度，排名不分先后)

如有任何问题，欢迎联系我们！

贡献者1：yisun98 - 1957240687@qq.com
贡献者2：yiruzzz - 992371522@qq.com
贡献者3：Bismarckwzc - 1558908027@qq.com
贡献者4：917596622 - 917596622@qq.com

如果本项目对您有帮助，请考虑引用我们。

@misc{SOLC2022,
  author = {Y. Sun, Y. Zhao, Z. Wang, Y. Fan},
  title = {SOLC},
  year = {2022},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/yisun98/SOLC}},
}