Abstract

本專題首先使用 kaggle Airbus Mask-RCNN and COCO transfer learning 程式碼訓練並成功預測，學習其數據轉換、數據擴增技術，並應用 Traditional Unet、RGB Unet、Simplify Unet 共三種架構、兩種數據集進行訓練 (all、only have ship)，實現了三種不同的像素分割技術完成此專案

Mask R-CNN and COCO pre-trained weights

利用 Mask R-CNN 和 COCO 的預訓練權重來成功訓練並預測

maskship.ipynb

數據儲存

將只有船隻的圖片保存下來，存入兩個資料夾內

imagetomask.ipynb

使用Traditional Unet、RGB Unet、Simplify Unet架構

應用Traditional Unet、RGB Unet、Simplify Unet共三種架構、兩種數據集進行訓練(all、only have ship)，實現了三種不同的像素分割技術

unet.ipynb

數據擴增 (Data_Augmentation)

改寫程式碼增加數據擴充技術

unet_data_augmentation.ipynb

數據轉換

數據儲存

將全部有船的圖片取出分別放至 image 資料夾、label 資料夾

數據擴增

• 遙感圖像是多方向性俯拍，船隻朝向東、南、西、北都有可能
• 90倍數旋轉(0度、90度、180度、270度角)
• 影像模糊、銳化、亮度調整

Loss

傳統 U-net

RGB U-net

簡化版 U-net

Batchsize=2
Dataset= 28980(only have ship)
Epochs=50
Step for epochs=28980//2
Time= hours
Loss from 0.05299 to 0.0025

Mask R-CNN predict

傳統 U-net predict

RGB U-net predict

簡化版 U-net predict

簡化版 U-net predict

簡化版 U-net predict

簡化版 U-net predict