遥感影像语义分割自监督+对比学习-网络训练

---

前言

今天开始，要进行代码的学习，先将训练自监督网络的代码跑起来。

1. 数据集：

1. 数据的获取
   Potsdam数据集下载链接
   百度网盘提取码：lala
   Vaihingen数据集下载链接
   百度网盘提取码：lala
   Toronto数据集下载链接
   百度网盘提取码：lala

2. 数据集的介绍
   上述的数据详细介绍请大家移步至对应官网进行查看，其中有对应数据集的详细介绍
   数据集的官网

3. 数据集的处理
   点击链接下载数据集处理源码

4. 处理之后的数据集下载
   百度网盘提取码：lala

2.网络训练

作者提供的帮助文档中所给的命令是错误的，要用下面的这个：

python main_ss.py --root=./data_example/Potsdam --ex_mode=1 --self_mode=1 --self_max_epoch=400 --ft_max_epoch=150 --self_data_name=train --ft_train_name=trainR1

训练的前期准备：

1.数据集

• 训练所使用的训练集为RGBIR模式的tif图片，其中RGB是颜色模式，分别代表Red, Green, Blue，是最广泛应用的色彩模式。IR是Infrared，即红外线，其波长（约760nm~1mm）比红光长，是不可见光。是一种四通道的图片。
• 数据集中的图片是大图，要拆分之后才能用。代码如下：

import os
from skimage import io


def division(folder_in, folder_out, split_size=256):


    for tif_nanme in os.listdir(folder_in):
        imgPath = folder_in +'\\' +tif_nanme
        tif = io.imread(imgPath)  # 读取RGB原图像

        for i in range(int(tif.shape[0] /split_size)):
            for j in range(int(tif.shape[1] /split_size)):
                if tif.shape[-1]<=4:  # 处理多通道图片
                    img = tif[split_size * i: split_size * (i + 1), split_size * j: split_size * (j + 1), :]
                else:                 # 处理单通道图片
                    img = tif[split_size * i: split_size * (i + 1), split_size * j: split_size * (j + 1)]
                name = i * int(tif.shape[0] /split_size) + j
                # 让RGB图像和标签图像的文件名对应
                name_Path = folder_out + tif_nanme[:-4] + str(name) + '.tif'
                io.imsave(name_Path, img, check_contrast=False)


division(folder_in=r'D:\dataset\image',
         folder_out=r'./dataset/images/',
         split_size=256)
division(folder_in=r'D:\dataset\label',
         folder_out=r'./dataset/labels/',
         split_size=256)

2. 数据集索引文件生成

数据集目录结构如下：

• train_lbl: 训练集标签图片
• train_RGBIR: 训练集图片
• val_lbl, val_RGBIR: 测试集的标签和图片
• class_dict.txt: 元素种类信息
• train_RGBIR: 训练集图片名（用于自监督训练）
• trainR1_lbl.txt，trainR1_RGBIR.txt：训练集图片名（用于对比训练-微调）
• val_lbl.txt, val_RGBIR.txt: 测试集的标签名和图片名
  

准备好了训练所需要的图片后，现在开始生成用来索引图片的txt文件。代码如下：

def OutName_TXT(root_path='D:\\BaiduNetdiskDownload\\ISPRS-data-preprocessing\\Potsdam',
                datasets_name={
    
    'train': 13800, 'trainR1': 138, 'val': 1000}):
    for k, i in datasets_name.items():
        b = 0
        id_list = os.listdir(root_path)
        random.shuffle(id_list)
        f = open(k + '_RGBIR.txt', "w+")
        f1 = open(k + '_lbl.txt', "w+")
        for j in id_list[b:b+i]:
            f.write(j + "\n")
            f1.write(j + "\n")
        f.close()
        f1.close()
        print("Success crated {0}_lbl.txt and {0}_RGBIR.txt!".format(k))
OutName_TXT(root_path='D:\\BaiduNetdiskDownload\\ISPRS-data-preprocessing\\Potsdam\\images',
            datasets_name={
    
    'train': 13800, 'trainR1': 138, 'val': 1000})
# val为文件名字，100是训练集图片个数，是在训练集中随机抽取的

3. 开始训练

点击 “运行->编辑配置”，将运行所需的参数加入
–root=./data_example/Potsdam
–ex_mode=1
–self_mode=1
–self_max_epoch=400
–ft_max_epoch=150
–self_data_name=train
–ft_train_name=trainR1

配置好后，就可以进行运行和调试啦。