在我的实验过程中，有一种网络结构在训练时间等方面都具备最优的性能。这种网络有着较大的图像尺寸（288x288）和较浅的U-NET网络深度（3组2 x conv层+ maxpool）。

　　图3：不同类别的U-NET结构

　　最终，我创建了40多种不同尺度、宽度和深度的网络模型，来训练数据子样本和选择最佳频段。

　　图4：10类对象的全部网络模型表1

　　图5：10类对象的全部网络模型表2

　　在交叉验证方面，我根据不同类别，使用了10%到20%的随机图像块，大样本类别比例更高。对于过采样的小样本类别，只使用5%的随机图像块。这样，整体上减少了模型的运行时间。

　　训练集的图像（包括图像和标签）通过旋转45度、缩放15-25%、剪切操作、切换频段（仅针对某些网络）和垂直+水平翻转等图像增强操作，增加泛化能力，网络的训练时间也随之增加。对验证集或测试集不进行上述操作。

　　在优化策略方面，NAdam优化器效果不好，直接使用Adam作为优化器，用Jaccard Loss作为训练指标。我的学习率优化方法是，每经过30次迭代，学习率减小为原来的0.2倍。

　　在处理网络输出上，大多数类直接使用标签算术平均，对于积水区和大型车辆类别采用相加方法，仅在使用NDWI指数和CCCI指数的河流上使用了交叉选取的方法。

　　对于数据，最重要的洞察力是什么？

　　我的理解是，大多数参赛者在积水区和两种车辆对象的识别率都比较低，在这一块，我花了很多功夫来进对图像进行预处理和后期处理。我相信，只要提高这三类对象（积水区，小轿车和大型车辆）的识别率，就能领先其他参赛者，提高我的最终成绩排名。

　　积水区与河流

　　对于积水区，积水区的主要问题之一是会与河流相混淆。如前所述，对积水区和河流进行过采样，有助于U-NET网络在积水区预测时解决河流的伪影问题，但仍然有大量河流对象的旁支干扰，下图为积水区预测的最初效果。

　　图6：积水区的伪影问题

　　从常识上来说，河流总是会延伸到图像的边界，而积水区一般只有小的重叠区域，这是解决问题的关键。此外，为了检测河流而建立的NDWI指数可能与原始的积水区预测结果相重叠，并且两者间非常相似的断裂边缘可以被合并成凸包，形成一种触及图像边界的完整轮廓。总之，检查积水区和河流的图像边界轮廓，是后期处理流程的一部分工作，能将一些错分为积水区的图像转变为河流类。

　　大型车辆和小轿车

　　此外，我也花了大量时间用于分类两类车辆对象。我注意到，无论是在训练数据中，还是根据常识来判断，车辆往往停放在道路上或道路附近，以及建筑物的周围。

　　图7：在道路上和建筑物周围的小轿车

　　我们只对包含有建筑物和道路的车辆图像块进行训练和预测，同时对车辆图像样本进行过采样，并缩小网络中的卷积核大小。此外，我只采用RGB图像作为输入数据，因为在其他的频段中，车辆对象不可见或明显移位。

　　其次，许多车辆在图像模糊和处于标记区域时，都很难区分大型车辆和小轿车。作为参照，这些训练数据的标记区域大小显示在下面的直方图中，并且在大型车辆和小轿车之间，大约有50-150像素点的大面积重叠。

　　图8：小轿车和大型车辆的标记区域像素点数量对比