7篇遙感分割CV論文帶你沖榜贏10萬獎金！更有100h免費算力提供
點擊上方“CVer”，選擇加"星標"置頂
重磅干貨，第一時間送達
中國計算機學會舉辦的CCF 大數(shù)據(jù)與計算智能大賽（CCF BDCI）正式開啟，本屆大賽首度設立了全新的“自主平臺”賽道，百度首發(fā) “遙感影像地塊分割” 賽題，飛槳作為該賽題的指定深度學習平臺為選手提供技術支持，并提供10萬元現(xiàn)金獎池。
比賽算力不夠用？報名練習賽就能申請100小時Tesla V100 GPU 算力卡！
百度大腦AI Studio練習場為參賽選手額外發(fā)放100小時算力卡，更有官方Baseline可一鍵fork。還不快進群get報名鏈接？
遙感領域不熟悉，無從下手？出題老師親授思路！
來自百度的出題老師已對賽題進行了詳盡講解，45分鐘超長解析，從0為你講解遙感領域知識背景，傳授模型調(diào)優(yōu)思路，快快進群get直播錄像鏈接！
競賽討論群
快快進群和百度工程師交流
練習賽報名地址
快快報名申請100小時GPU算力
不僅如此，出題老師精心挑選了7篇頂會級論文，快快借鑒大咖思路沖榜吧！
賽題簡介
遙感影像地塊分割, 旨在對遙感影像進行像素級內(nèi)容解析，對遙感影像中感興趣的類別進行提取和分類，在城鄉(xiāng)規(guī)劃、防汛救災等領域具有很高的實用價值，在工業(yè)界受到了廣泛關注。
本次大賽希望選手能夠利用人工智能技術，對多來源、多場景的異構遙感影像數(shù)據(jù)進行充分挖掘，打造高效、實用的算法，提高遙感影像的分析提取能力。具體來看，需要考察選手基于飛槳打造的遙感影像語義分割模型在建筑、耕地、林地、水體、道路、草地6個類別上的效果。
在復賽階段，測評指標會加入?yún)^(qū)域連續(xù)性等評判標準。由于遙感影像的特殊性，道路、河流分割一直是遙感領域的一大難題。道路、河流這類區(qū)域在遙感圖像上寬度一般不超過10個像素，使用視覺算法進行分割時，往往不能保證這類區(qū)域被完整、連續(xù)地分割出來。復賽階段就是針對這類實際難題展開角逐。
論文指路
1. 基于全卷積網(wǎng)絡的衛(wèi)星圖像道路自動提取
Fully Convolutional Network for Automatic Road Extraction from Satellite Imagery
論文地址：
https://openaccess.thecvf.com/content_cvpr_2018_workshops/papers/w4/Buslaev_Fully_Convolutional_Network_CVPR_2018_paper.pdf
簡介：
高分辨率衛(wèi)星圖像分析一直是交通管理、城市規(guī)劃和道路監(jiān)測的重要研究課題。其中一個問題是自動、精確地提取道路。從原始圖像中，由于存在其他具有直線的道路特征，提取道路很困難且計算成本很高。本文提出了一種基于U-net家族全卷積神經(jīng)網(wǎng)絡的道路自動提取方法。該網(wǎng)絡由在ImageNet上預訓練的ResNet-34和分割網(wǎng)絡vanilla U-Net組成。根據(jù)驗證結果，排行榜和作者的經(jīng)驗表明，該網(wǎng)絡在“DEEPGLOBE - CVPR 2018 road extraction sub-challenge”中顯示了優(yōu)越的結果。此外，該網(wǎng)絡使用中等內(nèi)存，只允許使用一個GTX 1080或1080ti來執(zhí)行整個訓練，并做出相當快的預測。
2. 遙感影像解譯基準數(shù)據(jù)集的建立
DiRS: On Creating Benchmark Datasets for Remote Sensing Image Interpretation
論文地址：https://arxiv.org/abs/2006.12485
簡介：
近十年來，遙感影像解譯取得了巨大的進步，其應用范圍也越來越廣。因遙感圖像變得更容易獲取，對這些圖像自動解析的需求也就越來越大。在這之中，基準數(shù)據(jù)集成為了開發(fā)和測試算法智能度的必要先決條件。本文在回顧了國內(nèi)外遙感影像解譯研究領域現(xiàn)有的基準數(shù)據(jù)集的基礎上，探討了如何有效地為遙感影像分析準備一個合適的基準數(shù)據(jù)集。
3. 基于EOSResUNet和后向量化算法的道路檢測
Road detection with EOSResUNet and post vectorizing algorithm
論文地址：
https://openaccess.thecvf.com/content_cvpr_2018_workshops/papers/w4/Filin_Road_Detection_With_CVPR_2018_paper.pdf
簡介：
衛(wèi)星圖像目標識別是模式識別中最熱門的課題之一。大量高分辨率的衛(wèi)星圖像、計算機視覺領域的重大發(fā)展（特別是卷積神經(jīng)網(wǎng)絡領域的重大突破）、廣泛的行業(yè)應用領域以及仍舊相當開闊的市場都造就了衛(wèi)星圖像目標識別的熱度。在這之中，道路是最受歡迎的識別對象之一。在這篇文章中，我們想把神經(jīng)網(wǎng)絡和后處理算法結合起來，這樣我們不僅可以得到覆蓋mask，而且還可以得到圖像中所有單獨道路的矢量，這些矢量可以用于將來處理更高級別的任務。該方法用于解決DeepGlobe道路開采難題。
4. LinkNet：利用編碼器表示進行有效的語義分割
LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation
論文地址：https://arxiv.org/abs/1707.03718
簡介：
針對視覺場景的像素級語義分割不僅需要精確，而且要高效，這樣才能在實時應用中找到用處。現(xiàn)有的算法雖然是精確的，但并沒有把重點放在有效利用神經(jīng)網(wǎng)絡的參數(shù)上。因此，從參數(shù)和運算次數(shù)角度來看這些算法都非常龐大，因此速度也很慢。在這篇論文中，我們提出一個新的深層神經(jīng)網(wǎng)路架構，使得它可以在不顯著增加參數(shù)數(shù)目的情況下進行學習。我們的網(wǎng)絡僅使用1150萬個參數(shù)和21.2 GFLOPs來處理分辨率為3×640×360的圖像。它在CamVid上展示了最先進的性能，并在Cityscapes數(shù)據(jù)集上給出了可比較的結果。我們在NVIDIA GPU和嵌入式系統(tǒng)設備上比較了我們的網(wǎng)絡與現(xiàn)有的最先進的網(wǎng)絡在不同分辨率圖像下的處理時間。
5. 基于深度殘差U-Net的道路提取
Road Extraction by Deep Residual U-Net
論文地址：https://arxiv.org/abs/1711.10684
簡介：
從航空影像中提取道路一直是遙感影像分析領域的研究熱點。本文結合殘差學習和U-Net的優(yōu)點，提出了一種用于道路區(qū)域提取的語義分割神經(jīng)網(wǎng)絡。該網(wǎng)絡采用殘差構建，具有與U-Net相似的體系結構。這種模式的好處有兩個：第一，殘差結構可以簡化深層網(wǎng)絡的訓練。第二，網(wǎng)絡中豐富的跳躍連接可以促進信息傳播，使我們能夠設計更少參數(shù)但的到性能更好的網(wǎng)絡。我們在一個公共道路數(shù)據(jù)集上測試了這一網(wǎng)絡，并將其與U-Net和其他兩種基于深度學習的道路提取方法進行了比較，該方法的性能更優(yōu)。
6. 用于道路提取的多輸出堆疊U-Net
Stacked U-Nets with Multi-Output for Road Extraction
論文地址：
https://openaccess.thecvf.com/content_cvpr_2018_workshops/papers/w4/Sun_Stacked_U-Nets_With_CVPR_2018_paper.pdf
簡介：
隨著卷積神經(jīng)網(wǎng)絡（CNN）在計算機視覺領域的發(fā)展，從衛(wèi)星圖像中提取道路和其他特征用于制圖和其他目的的研究取得了迅速進展。本文提出了一種新的基于多輸出疊加U-Net的道路提取方法。采用混合損失函數(shù)來解決訓練數(shù)據(jù)類別不平衡的問題。后處理方法（包括路線圖矢量化和具有分層閾值的最短路徑搜索）有助于提高召回率。與普通VGG網(wǎng)絡相比，平均IoU的總體改進超過20%。
7. D-LinkNet：帶有預訓練編碼器和空洞卷積的LinkNet，用于高分辨率衛(wèi)星圖像道路提取
D-LinkNet: LinkNet with Pretrained Encoder and Dilated Convolution for High Resolution Satellite Imagery Road Extraction
論文地址：
https://openaccess.thecvf.com/content_cvpr_2018_workshops/papers/w4/Zhou_D-LinkNet_LinkNet_With_CVPR_2018_paper.pdf
簡介：
道路提取是遙感領域的一項基礎性工作，也是近十年來研究的熱點。本文提出了一種語義分割神經(jīng)網(wǎng)絡D-LinkNet，它采用編碼器-解碼器結構、空洞卷積和預訓練編碼器來完成道路提取任務。該網(wǎng)絡采用LinkNet體系結構，中心部分有擴張的卷積層。Linknet體系結構具有高效的計算和存儲能力?？斩淳矸e是一種在不降低特征地圖分辨率的前提下，擴大特征點感受野的有力工具。在CVPR DeepGlobe 2018道路提取挑戰(zhàn)賽中，我們在驗證集和測試集上的最佳IoU分數(shù)分別為0.6466和0.6342。