皖南地区农田地块面积相对较小、边界形态复杂，不同作物交错种植现象明显，并存在水稻—油菜轮作、早稻—晚稻等一年两熟或复种模式。与北方规模化、连片化农业种植区域相比，皖南农作物在遥感影像中的地块形态、光谱表现和生长周期更为复杂，传统人工解译方式工作量大、周期长，难以满足农作物种植结构快速识别、动态监测和面积统计需求。
本项目以芜湖市遥感影像和人工标注作物样本为基础，要求参赛团队利用计算机视觉、遥感影像处理和深度学习等技术，对指定区域内的小麦、油菜和水稻开展像素级识别与分割，准确提取不同作物的空间分布范围。
模型应输出小麦、油菜和水稻三类作物的预测掩膜，并可进一步形成地块边界、作物类别、面积统计和可视化分析等业务成果。作品应重点解决小地块边界复杂、作物相邻混淆、背景干扰以及不同采集时相之间特征差异等问题。
强调在统一数据条件和统一评测规则下，对不同算法方案的识别能力、分割精度和泛化能力进行综合评价，不以单一固定精度作为唯一判断标准。
项目主要功能
面向遥感农田图像，自动完成小麦、油菜和水稻的像素级分割，并生成项目要求的分类掩膜。
功能模块
数据读取、预处理与训练/验证集管理
小麦油菜三分类分割：背景、小麦、油菜
水稻二分类分割：背景、水稻
数据增强：CutMix、Copy-Paste 等
D2LS 特征提取、动态字典和多尺度解码
模型训练、断点保存和指标评估
推理后处理：类别偏置、面积过滤、斑点抑制
1.负责整体算法方案和实验设计
2.负责数据处理、模型配置和训练流程搭建
3.负责 ConvNeXt、D2LS、Lovász-Softmax、学习率等实验
4.负责小麦油菜和水稻模型训练及权重筛选
5.负责 Val混淆问题诊断
6.负责推理脚本、后处理
技术栈
Python、PyTorch、PyTorch Lightning
ConvNeXt-Large/Base
D2LS 语义分割网络
CUDA、多 GPU、Linux、Shell、tmux
NumPy、Pillow、OpenCV、Matplotlib
AdamW、交叉熵、Lovász-Softmax
IoU、逐图 mIoU、全局 IoU 评估
系统架构
遥感图像
↓
数据预处理与增强
↓
ConvNeXt 主干网络
↓
D2LS 动态特征/字典融合
↓
多尺度解码器
↓
像素级分类 logits
↓
后处理与掩膜输出
↓
IoU评估 / ZIP提交
小麦油菜和水稻采用独立模型、独立配置和独立权重，最后统一生成比赛提交结果。
亮点
使用动态字典和图像自适应特征增强类别表示，针对小麦油菜和水稻分别设计模型与训练策略
评论