亚马逊云科技AI For Good-2022优秀方案开源分享—Link

Amazon SageMaker
0
0
{"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![11.png](https://dev-media.amazoncloud.cn/ad66e1201e3f48eaa816dd83bdbc6b35_1-1.png)\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![12.png](https://dev-media.amazoncloud.cn/5f6c5e64ea1748e1848bed190e1dc5e9_1-2.png)\n\nDetect:R2CNN\n\n![13.png](https://dev-media.amazoncloud.cn/6100ee0e13a24fd98e93d3e1db94aad3_1-3.png)\n\n**3. 损失函数**\n\nLoss Function:多任务 loss 函数\n\n![14.png](https://dev-media.amazoncloud.cn/16c1e0960caa4ef7a197e779f49f964c_1-4.png)\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](https://aws.amazon.com/cn/sagemaker/?trk=cndc-detail),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![15.png](https://dev-media.amazoncloud.cn/a5b9def395274226b6b2a2175be492a3_1-5.png)\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"}
目录
亚马逊云科技解决方案 基于行业客户应用场景及技术领域的解决方案
联系亚马逊云科技专家
亚马逊云科技解决方案
基于行业客户应用场景及技术领域的解决方案
联系专家
0
目录
关闭