樣本少？訓練難？試試遙感影像智能解譯預訓練模型###

(資料圖)

樂享技術

在2023地理信息軟件技術大會上，超圖正式發布了新品SuperMap GIS 2023（點擊紅字查看詳情）。為了幫助大家更好了解 SuperMap GIS 2023的性能與價值，我們推出“創新空間智能，SuperMap GIS 2023新特性詳解”系列專題報道，全方位解讀SuperMap GIS 2023的新特性與適用場景，歡迎持續關注。

深度學習技術在遙感影像解譯領域的優勢逐漸凸顯，遙感影像解譯工作越來越多地用到深度學習模型。訓練一個理想的深度學習模型需要大量樣本數據，而實際情況是用戶往往沒有足夠的樣本數據，難以開展遙感智能解譯，或是只有少量樣本數據，導致模型效果欠佳。預訓練模型則是解決這一問題的有效工具。

預訓練模型是基于大量高質量的樣本數據訓練得到的深度學習模型，往往針對特定任務。例如提取特定地物（如提取耕地、建筑物）、區分特定地物類型（如土地利用/覆蓋分類）、檢測特定地物目標（如檢測飛機、艦船）、檢測特定地物的變化（如檢測道路變化）。

SuperMap提供哪些預訓練模型？

• 遙感影像解譯預訓練模型

  模型訓練不僅對訓練數據有較高要求，還是一個極其消耗時間和計算資源的過程。為了降低用戶使用成本，結合遙感影像解譯的應用需求，SuperMap提供幾個常用的預訓練模型：城市建筑物提取模型、城市水體提取模型、耕地提取模型、大棚提取模型、飛機識別模型、艦船識別模型。這6個模型均適用于高分辨率可見光影像。

  ▲SuperMap遙感影像智能解譯預訓練模型

  其中，城市建筑物提取模型和城市水體提取模型在此前V1版本基礎上對模型結構和訓練數據進行了優化，如城市建筑物提取模型使用了2023版本新增的SegFormer模型。SegFormer是將Transformers引入語義分割任務的產物，同時兼顧效果、效率、魯棒性，是一個簡單、高效但強大的語義分割框架。與使用SFNet模型訓練的V1版本相比，提取效果有了較大改善。

  ▲城市建筑物提取模型V1與V2對比

  • SAM大模型

    2023年4月，Meta發布了計算機視覺大模型Segment Anything Model（SAM）。該模型由超10億標簽訓練，可以對圖像進行一鍵分割，而圖像分割是遙感智能解譯的基礎。

    SAM具備免訓練、高泛化的特點，然而，模型對圖像進行的全要素分割并不具備語義信息。此外，其訓練數據也非遙感垂直領域的數據集，在沒有提示和交互下難以適應遙感多種尺度。因此，SuperMap采用目標檢測+SAM分割的方案，即采用Cascade RCNN等目標檢測算法提供目標框提示，再使用SAM生成每個目標的實例分割掩碼。

    ▲SAM分割方案

    預訓練模型如何使用？

    • 即拿即用——免訓練，省人工

      對于“預先訓練好的模型”，若應用場景適配，我們則可以直接將它應用到推理影像上，省去訓練數據準備、制作和模型訓練的復雜流程。只需要使用對應的模型推理工具，輸入待推理影像和預訓練模型，就可以將影像提取為解譯結果。模型推理在SuperMap桌面端產品（SuperMap iDesktopX）、組件產品（SuperMap iObjects Python）和服務器產品（SuperMap iServer）中均可實現，可靈活選擇單個影像文件、影像文件夾、鑲嵌數據集、影像服務等多種輸入形式，并支持指定范圍推理。

      ▲“即拿即用”的預訓練模型

      • 遷移學習——提高預訓練模型泛化性

        預訓練模型聚焦遙感影像解譯的常見地物目標，而在實際應用中，往往會出現更加聚焦的需求。例如目前提供的城市建筑物提取模型，對于城市背景下具有不同外形特征和分布特征的建筑物都有較好的提取效果；但對于城郊區域集中連片的小型建筑物，提取精度仍有提升空間。面對此類更加聚焦的應用需求，我們可以使用遷移學習。

        遷移學習是機器學習的一個領域，它將從解決一個問題中獲得的知識應用到另一個類似的問題中。對于上述例子，可以使用少量的城郊建筑物訓練數據，通過遷移學習，對城市建筑物提取模型進行參數微調，獲得新的城郊建筑物提取模型。相比于從零開始訓練城郊建筑物提取模型，遷移學習所需要的訓練數據更少，從而可以快速獲得滿足應用需求的新模型。

        ▲遷移學習過程

        深度學習技術的使用，大大提升了遙感影像解譯的效率，而深度學習模型訓練所需的數據成本、時間成本和算力成本也是實際應用中難以忽視的問題。為了降低用戶使用成本，SuperMap提供了面向遙感影像智能解譯的預訓練模型，除了本文介紹的6個常用模型，未來還將持續提供針對不同任務、不同地物目標的預訓練模型，并對已有模型進行迭代優化，期望幫助更多用戶高效地完成遙感影像解譯任務。

        關鍵詞：