第11期| 遥感图像分类模型：ResNet_DenseNet原理+实战训练

前言

上期第10期，我们吃透了CNN卷积、池化、激活函数三大底层逻辑，厘清了新手最大误区：通用RGB图像模型，不可直接照搬用于遥感俯拍影像训练。

基础堆叠CNN网络极易出现两大遥感训练通病：网络越深梯度消失、遥感地物特征流失，小样本遥感数据集训练直接过拟合、精度崩盘。

由此衍生出两大遥感领域封神分类骨干网络：ResNet残差网络、DenseNet密集连接网络 。截至目前，二者依旧是遥感土地利用分类、场景分类、长时序地物监测的论文基线首选模型，适配绝大多数本科毕设、小范围工程项目、期刊对比实验。

本期结合遥感专属特性，通俗拆解两大网络架构、落地遥感场景选型逻辑、手把手完成数据集加载→模型训练→超参调优→结果后处理→精度优化全流程，附带遥感专属训练代码，解决训练不收敛、Kappa偏低、过拟合、地物混分全痛点。

---

一、遥感两大分类任务区分+精准模型选型

很多新手混淆遥感分类概念，导致模型选错、标注白费。开篇先界定行业两大标准分类任务，精准匹配ResNet/DenseNet适用场景。

1.1 遥感两大图像分类任务定义

① 遥感场景分类（Scene Classification）

以整张512/256遥感切片为单位，判定整片区域属性，一图一类。

✅ 适用场景：城区/林地/水域/耕地全域研判、卫星影像归档、灾害全域判别

② 土地利用像素分类（Land Use Classification）

依托骨干网络提取特征，配合解码头，完成像素级土地覆被判别，对接国土三调分类标准。

✅ 适用场景：土地利用普查、生态覆被监测、耕地非农化研判、毕设主流选题

1.2 ResNet VS DenseNet 遥感场景选型对照表

网络模型	遥感优势	短板局限	最优适用场景
ResNet系列	残差旁路防梯度消失、算力开销低、遥感预训练权重丰富、调参简单、收敛速度快	浅层特征复用率低，细碎地物表现力一般	常规土地分类、大数据集、快速实验、期刊基线、新手首选（ResNet18/34）
DenseNet系列	全层级特征复用、边缘纹理保留极强、抗云雾干扰、小样本精度更高	参数量大、显存占用高、训练耗时久、调参门槛高	云雾多发区域、细碎地物分类、小样本数据集、高精度科研实验

新手选型定论：零基础、显存一般、赶毕设进度 → 优先ResNet18；小样本、影像多云雾、追求高精度 → 选用DenseNet121

---

二、两大骨干网络通俗结构解读

基于上期CNN基础，零复杂公式，拆解网络核心改良逻辑，弄懂为什么适配遥感影像。

2.1 ResNet残差网络：解决深层网络特征退化

核心痛点：普通CNN堆叠层数越多，遥感河道、田块、小路浅层特征越容易丢失，梯度反向传播失效，模型精度反向下降。

核心创新：残差旁路连接

新增直连旁路，跳过卷积层直接传递原始遥感浅层纹理、边缘特征，做到：卷积学习深层光谱特征、旁路保留浅层地物轮廓，完美适配遥感多尺度地物特征。

遥感常用版本：ResNet18（轻量）、ResNet34（均衡）、ResNet50（高精度）

2.2 DenseNet密集连接网络：最大化复用遥感特征

核心创新：层与层全连接

每一层卷积特征，全部传递给后续所有网络层，最大限度保留遥感微弱特征：山间小路、零散光伏、田间裸土等易丢失小目标特征，天然适配遥感同谱异物、小目标密集难题。

遥感常用版本：DenseNet121（性价比最高）

🖼️配图1：ResNet+DenseNet简化结构对比图

科技蓝扁平化双栏结构图，左侧ResNet残差跳转结构标注、右侧DenseNet密集连线结构标注，中文标注特征流向、旁路作用，适配公众号排版。

---

三、遥感数据集专属训练全流程+参数调优

3.1 遥感分类数据集标准格式

沿用专栏统一数据集格式，适配往期切片数据，无需重新标注：

rs_class_dataset/
├─train/   #训练集切片
├─val/     #验证集切片
└─test/    #测试集切片

3.2 环境前置配置（国内清华镜像零报错）

pip install torch torchvision pillow numpy rasterio -i https://pypi.tuna.tsinghua.edu.cn/simple/

3.3 ResNet遥感专属完整训练代码（修改通道即可运行）

适配3波段RGB/4波段多光谱遥感影像，修改首层卷积通道，规避通用模型适配bug，自带日志保存、精度计算、模型保存功能

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import models, datasets, transforms
from torch.utils.data import DataLoader
import os

# =====================遥感专属超参配置区【直接修改】=====================
DEVICE = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
IN_CHANNEL = 4        # 3=RGB影像 4=哨兵多光谱影像
CLASS_NUM = 5         # 地物类别：水体/建筑/植被/道路/耕地
BATCH_SIZE = 16
EPOCHS = 50
LR = 1e-3             # 遥感分类最优学习率
DATA_PATH = "./rs_class_dataset"
# =====================================================================

# 遥感影像专属数据增强（拒绝无效翻转）
train_transform = transforms.Compose([
    transforms.Resize((256,256)),
    transforms.RandomHorizontalFlip(p=0.5),
    transforms.ToTensor(),
])
val_transform = transforms.Compose([
    transforms.Resize((256,256)),
    transforms.ToTensor(),
])

# 加载数据集
train_dataset = datasets.ImageFolder(os.path.join(DATA_PATH,"train"),transform=train_transform)
val_dataset = datasets.ImageFolder(os.path.join(DATA_PATH,"val"),transform=val_transform)
train_loader = DataLoader(train_dataset,batch_size=BATCH_SIZE,shuffle=True)
val_loader = DataLoader(val_dataset,batch_size=BATCH_SIZE,shuffle=False)

# 加载ResNet18，修改首层适配多波段遥感影像
model = models.resnet18(pretrained=False)
# 核心修改：适配4波段输入，解决通用模型通道报错
model.conv1 = nn.Conv2d(IN_CHANNEL,64,kernel_size=7,stride=2,padding=3,bias=False)
model.fc = nn.Linear(model.fc.in_features,CLASS_NUM)
model = model.to(DEVICE)

# 遥感专属损失函数+优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.AdamW(model.parameters(),lr=LR,weight_decay=5e-4) #权重衰减防遥感过拟合

# 训练循环
def train_one_epoch():
    model.train()
    total_loss = 0
    for img,label in train_loader:
        img,label = img.to(DEVICE),label.to(DEVICE)
        optimizer.zero_grad()
        pred = model(img)
        loss = criterion(pred,label)
        loss.backward()
        optimizer.step()
        total_loss += loss.item()
    return total_loss/len(train_loader)

# 验证评估
def val_one_epoch():
    model.eval()
    correct = 0
    with torch.no_grad():
        for img,label in val_loader:
            img,label = img.to(DEVICE),label.to(DEVICE)
            pred = model(img)
            correct += (torch.argmax(pred,dim=1)==label).sum().item()
    acc = correct/len(val_dataset)
    return acc

# 启动训练
if __name__ == "__main__":
    best_acc = 0
    for epoch in range(EPOCHS):
        train_loss = train_one_epoch()
        val_acc = val_one_epoch()
        print(f"第{epoch+1}轮｜训练损失:{train_loss:.4f}｜验证精度:{val_acc:.4f}")
        # 保存最优权重
        if val_acc > best_acc:
            best_acc = val_acc
            torch.save(model.state_dict(),"./rs_resnet_best.pth")
    print("✅ 训练结束，最优模型已保存！")

3.4 遥感模型黄金调参手册（解决不收敛/精度低）

1. 学习率LR：遥感固定1e-3 ~ 5e-4，大于1e-3梯度爆炸，小于1e-4收敛极慢

2. 权重衰减weight_decay：必须开启5e-4，抑制遥感纹理噪声过拟合

3. 批次BatchSize：2060/3060显卡设8-16，4090显卡可设32

4. 预训练权重：放弃ImageNet权重，选用BigEarthNet遥感预训练权重

5. 早停机制：验证集精度10轮不上涨，直接停止训练，防止过拟合

🖼️配图2：模型训练损失精度曲线图

标准双轴折线图：蓝色训练损失递减曲线、橙色验证精度上升曲线，标注收敛节点、过拟合拐点，直观判断训练状态。

---

四、分类结果后处理+落地精度优化方案

模型输出原始分类图普遍存在椒盐噪点、细碎错分斑块，遥感项目、论文出图必须做后处理，大幅提升OA、Kappa系数。

4.1 遥感三大后处理手段（行业通用）

1. 形态学滤波去噪：剔除孤立单点错分像素，消除遥感椒盐噪声

2. 连通域面积阈值筛选：剔除小于阈值的细碎斑块，贴合地物连片分布特征

3. 同类别邻域平滑：优化地物边界锯齿，贴合目视解译边界标准

4.2 简易OpenCV后处理优化代码

import cv2
import numpy as np

# 遥感分类图后处理去噪优化
def rs_post_process(pred_mask):
    # 形态学开运算：去除小白点噪点
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
    new_mask = cv2.morphologyEx(pred_mask,cv2.MORPH_OPEN,kernel)
    # 连通域剔除细碎斑块
    contours,_ = cv2.findContours(new_mask,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
    for cnt in contours:
        if cv2.contourArea(cnt) < 20: #小于20像素斑块直接剔除
            cv2.fillPoly(new_mask,[cnt],0)
    return new_mask

4.3 精度低效万能优化步骤

1. 清洗数据集：剔除云雾、畸变无效切片，均衡各类样本数量

2. 更换主干：细碎地物精度低，ResNet切换DenseNet

3. 特征补强：叠加NDVI/NDWI指数特征，辅助模型区分水体植被

4. 后处理降噪：必加形态学滤波，Kappa普遍提升0.03-0.08

🖼️配图3：分类优化前后对比效果图

左右分栏对比图：左图原始模型分类图（噪点多、边界锯齿、细碎错分）；右图后处理优化效果图（边界平滑、噪点清零、地物规整），附带OA/Kappa数值对比标注。

---

✅ 本期全文核心总结

1. ResNet靠残差旁路防梯度消失，适合大数据、快速分类；DenseNet全特征复用，适合小样本、云雾遥感影像

2. 遥感训练必改首层卷积通道，禁止直接使用RGB通用预训练权重

3. 遥感专属超参：学习率1e-3、开启权重衰减、小batchsize稳定训练

4. 分类后处理是提分关键，滤波+连通域筛选，低成本提升分类精度

---

📌 下期预告

遥感语义分割开山模型：U-Net结构详解+遥感像素级分割从零训练，适配512大图分割，打通精细化地物提取全流程！