wzm_landform_scene_model

简介

参考文献：

DU L, YOU X, LI K, et al. Multi­modal deep learning for landform recognition[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 158 : 63 – 75.

主要原理：

原文作者的网络结构包括三个部分，前一部分是对山体阴影数据、高程数据和坡度数据通过卷积神经网络提取特征图，中间部分是特征融合部分，后面则是分类器的实现部分。该项目在原文作者的基础上，实现了常用的特征提取网络在地貌解译上的应用，即将前面的特征提取部分采用VggNet、GoogLeNet、Inception V2、Inception V3、Inception V4和ResNet、DenseNet等经典结构进行替换，并在不同的数据集上进行实验。

数据集

数据集的制作有些麻烦，有的用的图像，有的用的txt格式的，dataloader都不一样；

目前包含的数据集格式有：

ouy_dataloader：原始图像tiff格式，高程数据txt格式，山体阴影数据tiff格式；该数据是实验室做的，不方便公开，可用下面的zism数据测试；

zism_dataloader：图像jpg格式，高程数据txt格式，山体阴影数据txt格式，该数据原文中作者已提供，该项目中使用的进行处理过；

ouy_dataloader64

项目介绍

项目中含有使用预训练模型和不使用预训练模型两种的，所谓的使用预训练模型是加载那些经典网络在ImageNet数据集上的训练参数然后在自己的数据集上接着训练，而不是从头初始化再开始训练。

目前在原文作者的基础上，已添加的模型有：

VggNet、GoogLeNet、InceptionV2、InceptionV3、InceptionV4、ResNet、DenseNet

支持预训练的模型只有VggNet、GoogLeNet、InceptionV3、ResNet、DenseNet

已经实现的网络都支持使用spp结构

在使用预训练模型时，需要自行从网络上下载pth文件，放到pth文件夹里（其中，googlenet文件较小可以上传到GitHub上，其他的几个pth文件较大上传到GitHub上比较麻烦还没实现，下面给了几个pth文件的下载地址）

VggNet:

model_urls = {
    'vgg11': 'https://download.pytorch.org/models/vgg11-bbd30ac9.pth',
    'vgg13': 'https://download.pytorch.org/models/vgg13-c768596a.pth',
    'vgg16': 'https://download.pytorch.org/models/vgg16-397923af.pth',
    'vgg19': 'https://download.pytorch.org/models/vgg19-dcbb9e9d.pth',
    'vgg11_bn': 'https://download.pytorch.org/models/vgg11_bn-6002323d.pth',
    'vgg13_bn': 'https://download.pytorch.org/models/vgg13_bn-abd245e5.pth',
    'vgg16_bn': 'https://download.pytorch.org/models/vgg16_bn-6c64b313.pth',
    'vgg19_bn': 'https://download.pytorch.org/models/vgg19_bn-c79401a0.pth',
}

GoogLeNet:

model_urls = {
    'googlenet': 'https://download.pytorch.org/models/googlenet-1378be20.pth',
}

InceptionV3:

model_urls = {
    'inception_v3_google': 'https://download.pytorch.org/models/inception_v3_google-1a9a5a14.pth',
}

ResNet:

model_urls = {
    'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth',
    'resnet34': 'https://download.pytorch.org/models/resnet34-333f7ec4.pth',
    'resnet50': 'https://download.pytorch.org/models/resnet50-19c8e357.pth',
    'resnet101': 'https://download.pytorch.org/models/resnet101-5d3b4d8f.pth',
    'resnet152': 'https://download.pytorch.org/models/resnet152-b121ed2d.pth',
}

DenseNet:

model_urls = {
    'densenet121': 'https://download.pytorch.org/models/densenet121-a639ec97.pth',
    'densenet169': 'https://download.pytorch.org/models/densenet169-b2777c0a.pth',
    'densenet201': 'https://download.pytorch.org/models/densenet201-c1103571.pth',
    'densenet161': 'https://download.pytorch.org/models/densenet161-8d451a50.pth',
}

运行说明

python achieve.py 后面需要加参数

• -train_path 训练集所在路径
• -valid_path 验证集所在路径
• -train_txt 训练集标签文件（该txt文件放在训练集里面，并且只要txt的文件名），默认train.txt
• -valid_txt 验证集标签文件（该txt文件放在验证集里面，并且只要txt的文件名），默认valid.txt
• -dataloader 需要加载的数据集格式，目前有ouy_dataloader和zism_dataloader、ouy_dataloader64种格式，默认是zism_dataloader
• -model 选择的模型文件，目前有Triple、VggNet、GoogLeNet、InceptionV2、InceptionV3、InceptionV4和ResNet34，默认ResNet34
• -pretrained 是否需要使用预训练模型
• -use_spp 是否使用spp结构，默认False不使用
• -use_se 是否使用SE模块，需要注意的是目前只支持在VGG中使用该模块，默认为False，只有在使用VGGNet网络模型时设置为True才有用
• -cross_validation 是否使用k折交叉验证，目前使用该参数的话只支持ouy_dataloader64格式，默认False
• -train_batchsize 训练时批处理的数目，默认1
• -valid_batchsize 验证时批处理的数目，默认1
• -epoches 迭代数，默认100

测试

python model_test/model_test.py

-test_path 测试集所在的文件夹

-test_txt 测试集的标签文件（该txt文件放在验证集里面，并且只要txt的文件名），默认值test.txt

-model 选用的模型文件，默认值ResNet34

-pretrainded 是否使用预训练模型， 默认False

-use_spp 是否使用spp结构

-best_name 使用的模型参数文件

-dataloader 加载的数据集格式

-test_batchsize 测试时批处理的数目，默认值8

-draw 是否绘制混淆矩阵图

-write 是否将结果写入txt文件中