天池比赛之城市建筑识别-赛题理解

一、赛题数据

遥感技术已成为获取地表覆盖信息最为行之有效的手段，遥感技术已经成功应用于地表覆盖检测、植 被面积检测和建筑物检测任务。本赛题使用航拍数据，需要完成地表建筑物识别，将地表航拍图像素划分为有建筑物和无建筑物两类。
如下图，左边为原始航拍图，右边为对应建筑物标注。

二、数据标签

赛题为语义分割任务，因此具体的标签为图像像素类别。在赛题数据中像素属
于2类（无建筑物和有建筑物），因此标签为有建筑物的像素。赛题原始图片为
jpg格式，标签为RLE编码的字符串。
**RLE全称(run-length encoding)**，翻译为游程编码或行程长度编码，
对连续的黑、白像素以不同的码字进行编码。RLE是一种简单的非破坏性资料
压缩发，经常在语义分割比赛中对标签进行编码。RLE与图片之间的转换如下:

import numpy as np
import pandas as pd
import cv2# 将图片编码为rle格式
def rle_encode(im):'''im: numpy array, 1 - mask, 0 - backgroundReturns run length as string formated'''pixels = im.flatten(order = 'F')pixels = np.concatenate([[0], pixels, [0]])runs = np.where(pixels[1:] != pixels[:-1])[0] + 1runs[1::2] -= runs[::2]return ' '.join(str(x) for x in runs)# 将rle格式进行解码为图片
def rle_decode(mask_rle, shape=(512, 512)):'''mask_rle: run-length as string formated (start length)shape: (height,width) of array to return Returns numpy array, 1 - mask, 0 - background'''s = mask_rle.split()starts, lengths = [np.asarray(x, dtype=int) for x in (s[0:][::2], s[1:][::2])]starts -= 1ends = starts + lengthsimg = np.zeros(shape[0]*shape[1], dtype=np.uint8)for lo, hi in zip(starts, ends):img[lo:hi] = 1return img.reshape(shape, order='F')

三、评价指标

 赛题使用Dice coefficient来衡量选手结果与真实标签的差异性，Dice coefficient可以按像素差异性来比较结果的差异性。Dice coefficient的具体计算方式如下：(2 ∗ |X ∩ Y |) / (|X| + |Y |)其中X是预测结果，Y为真是标签的结果。当X与Y完全相同时，Dice coefficient为1，排行榜使用所有测试集图片的平均Dice coefficient来衡量，分数值越大越好。

四、读取数据

FileName	Size
test_a.zip	314.49MB

test_a_samplesubmit.c.sv	46.39KB

train.zip	3.68GB
train_mask,csv.zip	97.52MB

具体数据读取案例

import pandas as pd
import cv2
train_mask = pd.read_csv('train_mask.csv', sep='\t', names=['name', 'mask'])# 读取第一张图，并将对于的rle解码为mask矩阵
img = cv2.imread('train/'+ train_mask['name'].iloc[0])
mask = rle_decode(train_mask['mask'].iloc[0])print(rle_encode(mask) == train_mask['mask'].iloc[0])
# 结果为True

五、解题思路

由于本次赛题是一个典型的语义分割任务，因此可以直接使用语义分割的模型
来完成

步骤1：使用FCN模型模型跑通具体模型训练过程，并对结果进行预测提交；
步骤2：在现有基础上加入数据扩增方法，并划分验证集以监督模型精度；
步骤3：使用更加强大模型结构（如Unet和PSPNet）或尺寸更大的输入完成训练；
步骤4：训练多个模型完成模型集成操作；

天池比赛之城市建筑识别-赛题理解相关推荐

天池大赛-心跳信号分类预测：赛题理解与baseline解析
比赛地址:零基础入门数据挖掘-心跳信号分类预测参考资料:由DataWhale开源的学习资料 1. 赛题简介本次新人赛是Datawhale与天池联合发起的0基础入门系列赛事 -- 心跳信号分类预测. ...
Task01：赛题理解
街景字符编码识别-task1 街景字符编码识别-赛题理解关于参赛赛题数据评测指标解题思路街景字符编码识别-赛题理解关于参赛通过本次参赛(开始前不知道是比赛,主要是想组队学习)了解CV相关问题的解决思路 ...
【天池赛事】零基础入门语义分割-地表建筑物识别 Task1：赛题理解与 baseline
[天池赛事]零基础入门语义分割-地表建筑物识别 Task1:赛题理解与 baseline(3 天) – 学习主题:理解赛题内容解题流程 – 学习内容:赛题理解.数据读取.比赛 baseline 构建 ...
地表建筑物识别——Task01赛题理解
前言:这次参加Datawhale与天池联合发起的零基础入门语义分割之地表建筑物识别挑战赛.自己在大四上(2018下半年)也简单接触过语义分割,当时是基于FCN做CT图像乳腺肿瘤的分割.现在参加这个入门 ...
天池-街景字符编码识别1-赛题理解
赛题地址零基础入门CV赛事- 街景字符编码识别前期环境运行环境及安装运行环境 python3.7 pytorch1.3.1 有GPU 首先在Anaconda中创建一个专门用于本次练习赛的虚拟环 ...
【比赛向】东京证卷交易所预测-赛题理解（Kaggle_2022_Structured Data）
[比赛向]东京证卷交易所预测-赛题理解(Kaggle_2022_Structured Data) 比赛地址:https://www.kaggle.com/competitions/jpx-tokyo- ...
天池二手车拍卖赛题理解之特征工程
天池二手车交易价格预测赛题理解之特征分析常见操作原文链接:Datawhale 零基础入门数据挖掘-Task3 特征工程本文为个人阅读笔记,仅记录阅读过程中遇到的新知识. 数据归一化实现: (截图中 ...
天池NLP学习赛（1）赛题理解
天池NLP学习赛(1)赛题理解题目题目类型:新闻文本分类(字符识别问题)链接数据: 赛题数据为新闻文本,并按照字符级别进行匿名处理,数字编码形式呈现.整合划分出14个候选分类类别:财经.彩票.房 ...
CCF BDCI“大数据平台安全事件检测与分类识别”赛题，奇点云夺冠
日前,数据安全领域的人工智能算法顶级赛事"CCF大数据与计算智能大赛·数字安全公开赛"圆满落幕. 奇点云数据安全团队DataBlack在"大数据平台安全事件检测与分类识别 ...

天池比赛之城市建筑识别-赛题理解

一、赛题数据

二、数据标签

三、评价指标

四、读取数据

五、解题思路

天池比赛之城市建筑识别-赛题理解相关推荐

最新文章

热门文章