李笑然-遥感智能解译模型构建、优化与推理应用.pdf

《李笑然-遥感智能解译模型构建、优化与推理应用.pdf》由会员分享，可在线阅读，更多相关《李笑然-遥感智能解译模型构建、优化与推理应用.pdf（43页珍藏版）》请在三个皮匠报告上搜索。

1、P1李笑然超图软件平台产品线中级产品工程师2024年9月12日遥感智能解译模型构建、优化与推理应用P2从传统遥感到遥感智能遥感技术实现大范围快速监测调查评估溯源跟踪预警决策人工处理大量数据效率低，周期长自然资源等地学科研与行业应用需求广泛遥感观测技术发展更多传感器，更高分辨率AI赋能的遥感智能技术深入挖掘遥感价值结合AI的遥感智能技术大幅提高解译周期和响应频率催生新的遥感应用促进遥感数据服务模式变革更丰富的数据基础为遥感智能发展提供必要基础P3遥感智能解译工作流程数据准备数据准备模型构建模型构建模型应用模型应用迭代优化 数据准备模型构建模型应用工作耗时工作耗时P4硬件配置方案产品名称参数、规格

2、描述数量CPUIntel E5-2620V4 8核心，2.1MHz2GPUNVIDIA RTX 2080Ti4内存16GB DDR4 2400 RECC 镁光或者三星4硬盘8T1电源1600W(2+2)冗余电源 CPU 版本主机内存不低于16GGPU 版本支持英伟达显卡，显存不低于11G，且需系统安装最新的显卡驱动P5深度学习模型构建几大痛点样本数据数据量不够数据质量欠优数据类别不均模型训练训练速度慢精度欠佳参数调优困难P6P7P7数据准备1P8遥感AI 工作流程数据准备数据准备模型构建模型构建模型应用模型应用数据预处理训练数据生成数据收集P9数据收集全国高光伏电站分布数据对应光伏板影像0.2

3、-1m约20张8km*8kmP10数据预处理影像切分及过滤约5000张512*512大小的影像切片（有光伏板）光伏板原始影像0.2-1m约20张8km*8kmP11数据预处理标签勾绘基于SAM的交互式自动标注P12训练数据生成5000张512*512的旋转框标签和影像切片旋转框训练数据影像切片P13训练数据生成正交框训练数据计算bbox5000张512*512的正交框和影像切片P14P14模型构建2P15遥感AI 工作流程数据准备数据准备模型构建模型构建模型应用模型应用模型调优模型训练P16模型训练模型：ReDetBackbone：Re-R50Epoch:100Batch Size:16Lea

4、rning Rate：NoneGPUs：0,1,2,3(4*11G)旋转框模型训练P17模型训练 是一种专门为旋转目标检测设计的算法，基于 Faster R-CNN 模型框架 将旋转等变网络结合到检测器中，用于提取旋转特征 相比传统CNN算法大大减少了模型尺寸，且精度提升明显模型算法：ReDet旋转框模型训练P18旋转框特点旋转框可减少背景对物体分类的影响，提高检测结果准确性旋转框可缓解检测框重叠问题，更清晰地识别框内包含的物体可从旋转检测框粗略得到物体的运动方向信息，判断物体的运动轨迹图 正交检测框（左）和旋转框检测结果对比模型训练旋转框模型训练P19模型训练单步运算量（Batch Size

5、）训练中单次通过网络计算的样本数量 16（GPUs:4*11G）训练次数（Epoch）共约5000张样本，每次输入16张样本（batch size=16）到网络中，整个训练集需500016=313次迭代才能完成1个epoch的训练 100旋转框模型训练P20模型训练学习率（Learning Rate）较大的学习率可以使模型更快地学习，而过大的学习率将导致模型性能在训练时期内振荡，模型难以收敛较小的学习率有利于模型学习到更优甚至全局最优的模型参数，但需要更长的时间（epoch）来训练且容易陷入局部最优解学习率大小与训练的关系学习率先大后小逐渐接近全局最优旋转框模型训练P21模型训练学习率自适应调

6、整策略，降低用户使用门槛，提高模型训练效果 支持自动初始化学习率 支持学习率预热 支持多种学习率衰减策略学习率变化曲线学习率预热学习率衰减学习率旋转框模型训练P22模型训练_=支持自动初始化学习率 基于基准单步运算量base_batch_size和基准学习率base_lr线性缩放如：base_batch_size=16，base_lr=0.02；用户设置batch_size=4，则lr自动调整为0.005旋转框模型训练P23模型训练不同学习率衰减策略：线性衰减（左），指数衰减（中），余弦退火 支持学习率预热：训练初始时若选择较大的学习率会导致模型震荡，选