优化遥感耕地边界提取：Dilated-UNet与Advanced-UNet模型对比

在2020年的MathorCup大数据竞赛赛道B中，一支参赛队伍（编号382）专注于探索基于Unet模型的遥感图像耕地边界分割与提取问题。他们的研究起点是初赛中的Unet模型，开始从关键参数如图像概率阈值、卷积-池化层数、学习率等方面进行优化尝试，然而这些基础方法并未取得理想的效果。 首先，他们引入了Dilated-UNet（D-UNet）模型，通过增大最底层卷积层的空洞率（3、5、7、9），试图扩大卷积神经网络的感受野，以期望提升提取耕地边界的性能。尽管D-UNet模型的train-loss下降了75%，但在val-loss、val-acc和Kappa指标上表现不如初赛模型，说明D-UNet虽然在某些方面有所优化，但在整体性能上并未达到预期。然而，这一探索为后续研究空洞卷积在遥感图像分析中的应用提供了新思路。 接着，他们进一步改进了模型，提出Advanced-UNet模型，通过调整batchsize（从2改为8）和dropout参数（从0.5改为0.2）。结果表明，Advanced-UNet在train-loss、val-loss、val-acc上分别下降了18.6%、4.1%和0.6%，并且Kappa系数显著提高，从0.9274提升到0.9587，显示其在精度上有了明显优化。尤其在Test3和Test4的预测结果中，Advanced-UNet模型在提取耕地边界和分割精度上优于初赛模型，预测的耕地比例分别为0.635和0.5642。 针对问题二，团队着重关注阈值、卷积-池化层数、学习率和空洞率这四个关键参数，并通过Kappa系数进行量化评估。他们采用控制变量的方法，对比了初始参数模型和经过微调后的模型，结果显示，每个关键参数的调整都会导致Kappa系数的下降，反映了这些参数对识别精度的敏感性和重要性。 这支队伍在比赛中通过对Unet模型参数的精细调整和创新设计，不仅提升了模型的性能，还为遥感图像处理中的参数优化和模型改进提供了一种实用策略，特别是对于空洞卷积在遥感数据分析中的潜在优势有了深入的理解。