{"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\n1. 特征提取 \n\n\nLink 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\n2. 骨干网络 \n\n\nBackbone：resnet50\n\n
\n\nDetect：R2CNN\n\n
\n\n3. 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":"
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<a id="01__2">01 团队介绍
\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<img src="https://dev-media.amazoncloud.cn/ad66e1201e3f48eaa816dd83bdbc6b35_1-1.png\" alt="11.png" />
\n<a id="02__8">02 算法策略
\n1. 特征提取
\nLink 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。
\n2. 骨干网络
\nBackbone：resnet50
\n<img src="https://dev-media.amazoncloud.cn/5f6c5e64ea1748e1848bed190e1dc5e9_1-2.png\" alt="12.png" />
\nDetect：R2CNN
\n<img src="https://dev-media.amazoncloud.cn/6100ee0e13a24fd98e93d3e1db94aad3_1-3.png\" alt="13.png" />
\n3. 损失函数
\nLoss Function：多任务 loss 函数
\n<img src="https://dev-media.amazoncloud.cn/16c1e0960caa4ef7a197e779f49f964c_1-4.png\" alt="14.png" />
\n<a id="03__34">03 开发体验
\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。
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<img src="https://dev-media.amazoncloud.cn/a5b9def395274226b6b2a2175be492a3_1-5.png\" alt="15.png" />
\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。
\n"}
