原始数据集详情
构建了一个城市-农村域自适应地表覆盖数据集LoveDA,同时推进语义分割和迁移学习,LoveDA 数据集包含来自三个不同城市的5987张0.3m高分辨率影像和166,768个标注语义对象。
Key | Value |
---|---|
卫星类型 | 未知 |
覆盖区域 | 南京、常州、武汉 |
场景 | 城市、农村 |
分辨率 | 0.3m |
数量 | 5987张 |
单张尺寸 | 1024*1024 |
原始影像位深 | 8位 |
标签图片位深 | 8位 |
原始影像通道数 | 三通道 |
标签图片通道数 | 单通道 |
标签类别对照表
像素值 | 类别名(英文) | 类别名(中文) |
---|---|---|
1 | background | 背景 |
2 | building | 建筑 |
3 | road | 道路 |
4 | water | 水体 |
5 | barren | 裸土 |
6 | forest | 林地 |
7 | agriculture | 耕地 |
0 | no-data | 无效值(使用时应被忽略) |
数据处理部分
大家是否有这样的困惑?真值标签图片的像素值太小,比如1、2、3······,由于像素值太小,导致看上去标签图片全为黑色,无法看出真值标签与影像图片的像素位置是否对应?如果真值标签的像素值间隔太大,又无法直接作为训练样本。
其实有办法可以解决这个问题,那就是在像素值为1、2、3等的图片上添加一个彩色表,添加的彩色表不会改变图片的像素值,但是可以由彩色的视觉效果展示,如下图所示:
下面我们就对原始影像及标签进行模型训练前的数据预处理,根据这套数据集的原始信息,原作者整理的已基本接近训练条件,现在需要做的是根据自己训练模型的图片尺寸大小批量裁剪原始影像和标签为所需要的尺寸,比如512*512,另外如果需要检查裁剪后的数据是否一一对应,最好给标签数据添加颜色表,这样就可以轻易看出影像和真值标签是否一致。
下面就是使用代码对原始影像及原始标签进行批量裁剪为512*512大小,并给真值标签添加颜色表,效果图如下所示:
最后可以直接用于训练的数据集结构如下所示
/path/to/LoveDA
├── train
│ ├── images
│ │ ├── 2522_0_0.tif
│ │ ├── 2522_0_512.tif
│ │ └── ......
│ └── labels
│ ├── 2522_0_0.tif
│ ├── 2522_0_512.tif
│ └── ......
└── val
├── images
│ ├── 2522_512_512.tif
│ ├── 2523_0_0.tif
│ └── ......
└── labels
├── 2522_512_512.tif
├── 2523_0_0.tif
└── ......
标签:2522,标签,LoveDA,语义,像素,训练样本,tif,512,影像 From: https://blog.csdn.net/qq_34578459/article/details/141687388相关数据和代码见 博主首页 技术交流輑
01、官网原始数据集;
02、中间处理好的数据集;
03、裁剪后可训练的数据集;
04、裁剪影像及添加颜色表代码;