SpaceNet 建筑物检测

SpaceNet 建筑物检测

该存储库提供了一些 python 脚本和 jupyter 笔记本来训练和评估从SpaceNet卫星图像中提取建筑物的卷积神经网络。

用法

0. 克隆repo

$ PROJ_DIR=~/spacenet_building_detection  # assuming you clone this repo to your home directory

$ git clone --recursive https://github.com/motokimura/spacenet_building_detection.git $PROJ_DIR

1.下载SpaceNet数据集

下载卫星图像和地面实况建筑物足迹（SpaceNet AOI-1 Rio）。假设您已经将AWS CLI配置 为从 AWS S3 下载数据。

$ cd $PROJ_DIR/data

# Download processed 200mx200m tiles of AOI 1 (3.4 GB) with associated building footprints

$ aws s3api get-object --bucket spacenet-dataset --key AOI_1_Rio/processedData/processedBuildingLabels.tar.gz --request-payer requester processedBuildingLabels.tar.gz

$ tar -xvf processedBuildingLabels.tar.gz

$ cd processedBuildingLabels

$ tar -xvf 3band.tar.gz

$ cd vectordata

$ tar -xvf geojson.tar.gz

# Download the Source Imagery Mosaic (3-band = 2.3 GB and 8-band = 6.5 GB)

$ cd $PROJ_DIR/data

$ aws s3api get-object --bucket spacenet-dataset --key AOI_1_Rio/srcData/rasterData/3-Band.tar.gz --request-payer requester 3-Band.tar.gz

$ tar -xvf 3-Band.tar.gz

您可以在此处找到更多详细信息。

2.构建Docker镜像

构建 docker 镜像以设置环境以预处理 SpaceNet 数据集并训练/评估卷积神经网络。

$ cd $PROJ_DIR/docker

$ bash build.sh

我强烈推荐你使用 docker，因为你可能会在安装一些地理空间数据处理库时遇到一些麻烦。如果您不想使用 docker，则必须安装Dockerfile中描述的其他依赖项。

3.预处理SpaceNet数据集

将 GeoJSON 中的 SpaceNet 地面实况建筑物足迹转换为建筑物遮罩图像。

通过以下方式运行 docker 容器：

$ cd $PROJ_DIR/docker

$ bash run.sh

现在你应该在你运行的 docker 容器中。通过以下方式转换 SpaceNet 数据集：

$(docker) cd /workspace/src/features

$(docker) python build_labels.py ../../data/processedBuildingLabels/3band ../../data/processedBuildingLabels/vectordata/geojson ../../data/buildingMaskImages

$PROJ_DIR/data/processedBuildingLabels/3band现在你会在和中分别找到许多对卫星图像和建筑物遮罩图像，$PROJ_DIR/data/buildingMaskImages如下所示：

4.训练U-Net

训练U-Net，一种最初为医学图像分割而开发的卷积神经网络。

通过以下方式使用 SpaceNet 数据集训练 U-Net：

$(docker) cd /workspace/src/models

$(docker) python train_model.py ../../data/dataSplit ../../data/processedBuildingLabels/3band ../../data/buildingMaskImages

您可以从 TensorBoard 检查训练状态和验证准确性：

# Open another terminal window outside the container and type:

$ cd $PROJ_DIR/docker

$ bash exec.sh

# Now you should be inside the container already running. Start TensorBoard by following:

$(docker) tensorboard --logdir /workspace/models

然后，http://localhost:6006从您的浏览器打开。

5. 评估 U-Net

使用 jupyter notebook 评估 U-Net。

通过以下方式启动 jupyter notebook：

$(docker) cd /workspace/notebooks

$(docker) jupyter notebook

然后，http://localhost:8888从您的浏览器打开。

默认密码在Dockerfilepassw0rd中定义。

请注意，您可能需要修改下面笔记本中定义的预训练模型的路径。

5.1 定量评价

打开这个笔记本。

5.2 测试瓦片图像的定性评价

打开此笔记本 以查看 test-plit 中平铺图像的分割结果。

输出示例：

5.3 对图像的定性评价

打开此笔记本 以查看源图像的分割结果。

输出示例：

https://github.com/motokimura/spacenet_building_detection