亚马逊云科技AI For Good-2022优秀方案开源分享—Link

{"value":"在刚刚结束的【亚马逊云科技 AI For Good-2022 遥感光学影像目标检测挑战赛】中，来自武汉理工大学的Link团队斩获第6名。本次赛事聚焦遥感光学目标检测，存在图像尺寸大、目标角度各异等诸多难点，挑战难度高。为此，Link团队为我们分享了他们在比赛中采用的算法策略与开发体验。\n\n#### **01 团队介绍**\n\n在刚刚结束的亚马逊云科技 AI For Good-2022 遥感光学影像目标检测挑战赛中，来自武汉理工大学的Link团队斩获第6名。团队成员：夏聪、王锦。\n\n\n\n#### **02 算法策略**\n\n**1. 特征提取** \n\n\n**Link 团队**：我们选择使用多尺度特征聚合(MFA)：利用不同尺度的特征图来提高输出特征层的尺度适应性。语义增强模块（SEB）：用深层特征对浅层特征进行语义。\n\n增强数据增强模块：采用多样化的数据增强（翻转、镜像、mosaic、mix up，cut mix，cut out等），包括一般数据增强方式和高级数据增强方式，提升模型对小地物的特征提取能力和泛化能力。\n\n**2. 骨干网络** \n\n\nBackbone：resnet50\n\n\n\nDetect：R2CNN\n\n\n\n**3. 损失函数**\n\nLoss Function：多任务 loss 函数\n\n\n\n#### **03 开发体验**\n\n本次赛事中，Link 团队使用了 Amazon Sagemaker 功能进行算法模型搭建及训练。\nLink团队：SageMaker可以提供丰富的算力资源，无需任何投入即可马上开始使用 Amazon SageMaker，教学文档内容丰富，上手比较简单，内置丰富的深度学习框架和训练镜像，可以很好满足模型训练要求，给操作者带来非常棒的体验。\n\n\n在实际部署过程中，我们使用 Amazon Sagemaker 在控制面板中创建笔记本实例进行训练。随后将代码和 DOTA-2.0 数据上传到服务器中，创建 notebook 进行训练，操作简单便捷。\n\n\n\n总的来说，这次比赛赛题还是有一定难度，并且比较耗费时间，我们还有很多不足需要改进，非常期待下一届的亚马逊云科技 AI For Good大赛，希望这期间我们可以更好提升自己的技术实力，在下一届比赛种取得更优异的成绩。","render":"<p>在刚刚结束的【亚马逊云科技 AI For Good-2022 遥感光学影像目标检测挑战赛】中，来自武汉理工大学的Link团队斩获第6名。本次赛事聚焦遥感光学目标检测，存在图像尺寸大、目标角度各异等诸多难点，挑战难度高。为此，Link团队为我们分享了他们在比赛中采用的算法策略与开发体验。</p>\n<h4><a id=\"01__2\"></a><strong>01 团队介绍</strong></h4>\n<p>在刚刚结束的亚马逊云科技 AI For Good-2022 遥感光学影像目标检测挑战赛中，来自武汉理工大学的Link团队斩获第6名。团队成员：夏聪、王锦。</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/ad66e1201e3f48eaa816dd83bdbc6b35_1-1.png\" alt=\"11.png\" /></p>\n<h4><a id=\"02__8\"></a><strong>02 算法策略</strong></h4>\n<p><strong>1. 特征提取</strong></p>\n<p><strong>Link 团队</strong>：我们选择使用多尺度特征聚合(MFA)：利用不同尺度的特征图来提高输出特征层的尺度适应性。语义增强模块（SEB）：用深层特征对浅层特征进行语义。</p>\n<p>增强数据增强模块：采用多样化的数据增强（翻转、镜像、mosaic、mix up，cut mix，cut out等），包括一般数据增强方式和高级数据增强方式，提升模型对小地物的特征提取能力和泛化能力。</p>\n<p><strong>2. 骨干网络</strong></p>\n<p>Backbone：resnet50</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/5f6c5e64ea1748e1848bed190e1dc5e9_1-2.png\" alt=\"12.png\" /></p>\n<p>Detect：R2CNN</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/6100ee0e13a24fd98e93d3e1db94aad3_1-3.png\" alt=\"13.png\" /></p>\n<p><strong>3. 损失函数</strong></p>\n<p>Loss Function：多任务 loss 函数</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/16c1e0960caa4ef7a197e779f49f964c_1-4.png\" alt=\"14.png\" /></p>\n<h4><a id=\"03__34\"></a><strong>03 开发体验</strong></h4>\n<p>本次赛事中，Link 团队使用了 Amazon Sagemaker 功能进行算法模型搭建及训练。<br />\nLink团队：SageMaker可以提供丰富的算力资源，无需任何投入即可马上开始使用 Amazon SageMaker，教学文档内容丰富，上手比较简单，内置丰富的深度学习框架和训练镜像，可以很好满足模型训练要求，给操作者带来非常棒的体验。</p>\n<p>在实际部署过程中，我们使用 Amazon Sagemaker 在控制面板中创建笔记本实例进行训练。随后将代码和 DOTA-2.0 数据上传到服务器中，创建 notebook 进行训练，操作简单便捷。</p>\n<p><img src=\"https://dev-media.amazoncloud.cn/a5b9def395274226b6b2a2175be492a3_1-5.png\" alt=\"15.png\" /></p>\n<p>总的来说，这次比赛赛题还是有一定难度，并且比较耗费时间，我们还有很多不足需要改进，非常期待下一届的亚马逊云科技 AI For Good大赛，希望这期间我们可以更好提升自己的技术实力，在下一届比赛种取得更优异的成绩。</p>\n"}