动手学习基于深度学习的遥感影像分类 | 闯关训练营 | 在线优质课程

Heywhale_rs_classification_rsdl

这是中国地质大学（武汉） UrbanComp 团队出品的《遥感影像深度学习》系列训练营第一场。围绕遥感影像分类，用一个完整案例，带领你提高深度学习实战能力。

训练营完全免费，并由和鲸社区 ModelWhale 提供算力与平台支持。

在探索遥感影像的广袤视野之际，你是否好奇过这些影像数据背后蕴藏的丰富信息？在这个训练营中，我们将借助 Python 编程语言和先进的图像分类模型，通过分类分析，揭示遥感影像中不同地物类别的秘密，从而更深入地理解地球表面的变化与特性。

遥感影像分类模型通过将影像数据划分为若干地物类别，使得同一类别内的像素具有较高的相似性，而不同类别之间的像素相似性较低。该算法的核心思想是通过机器学习或深度学习技术，通过分析和计算遥感影像数据，从大量数据中提取有用的信息，并实现高效分类。这个算法在城市扩展分析、灾害评估、城乡规划等领域有着广泛的应用。

在本期训练营中，你将借助系统的课程、案例和实践，掌握遥感影像分类的基本理论、分类模型和算法，提升你在遥感应用方面的技能，并增强你解决实际问题的能力。使用的数据集参考 CN-MSLU-DEMO-1K。

先备知识：

python 基础
pytorch 基础
遥感影像分类的概念

学习大纲

关卡 1：读取数据并可视化

闯关题 1：请利用collections库统计数据集中二级类别的数量，并输出“Farmland”类别的数量
闯关题 2：在数据表中将数量小于10的二级类别修改为“Others”
闯关题 3：获取尺寸最小的影像
闯关题 4：将min_size_row这一行的影像进行可视化，并标注二级类别

关卡 2：训练数据的准备和划分

闯关题 1：通过继承 ImageDataset 类，实现了在输出数据时添加二级标签
闯关题 2：构建数据转换并统一影像尺寸
闯关题 3：按照 7:2:1 的比例划分训练集、验证集和测试集

关卡 3：定义并训练ResNet模型

闯关题 1 ：通过导入torchvision下的resnet18模型，构建二级分类模型
闯关题 2 ：构建损失函数和优化器
闯关题 3：编写模型训练函数

关卡 4：模型对比与训练过程可视化

闯关题 1：通过上述模型训练过程，构建VGG、GoogLeNet和DenseNet三个模型进行训练
闯关题 2：调整 VGG、GoogLeNet 和 DenseNet 模型并创建实例

关卡 5（通关题）：基于深度学习的遥感影像分类系统的完整实现

闯关题 1 ：读取CSV文件并对其进行调整
闯关题 2 ：构建自定义的数据集类
闯关题 3：构建遥感影像分类模型
闯关题 4：进行模型的训练
闯关题 5：对模型的训练过程进行可视化

需要帮助？

训练营讨论区发帖提问。提问前参考讨论区置顶的《💡【提交出错时】常见错误与排查建议》自行排查，提问时保持信息充足、描述精准。
进群交流唠嗑：描下方二维码添加方大鲸微信号（heywhale888)，回复“地理”即可等待方大鲸分批拉入群聊。

Heywhale_rs_classification_code

关于作者

唐蜜中国地质大学（武汉）地理与信息工程学院研究生在读，测绘科学与技术地图制图学与地理信息工程专业。研究方向为遥感图像处理，擅长 Python。

通关选手反馈

Hchen.Zhao：作者从读取数据、划分数据、训练模型、模型对比等方面给我们一个对机器学习的直观体验，通关题的设计并不算难，但需要去自己仔细思考，是一个入门地学机器学习很好的活动，值得反复回味。
小须鲸5nol：刚好最近在看《动手学深度学习》（这本书真能帮你深度学习深度学习），这也是我第一个（线上）跑起来的项目，我还尝试将其在本地Linux下跑起来（虽然配环境配得快把头发掉光了，但是听到显卡呜呜响还是有点满足），感谢作者提供这样一个教程！