首先申明一下自己是初学者，接触深度学习不到一年，希望通过比赛结识更多志同道合的同仁，共同交流和进步！作为经典的场景分类问题，该题具有较好的应用价值，相关的研究和比赛也很多，有兴趣的同仁可以进一步检索一下。 　

赛题难点分析

• 赛题选取的数据量和尺寸较大，训练集达到80000多，测试集未知，图片分辨率不一，平均在512*512左右，且比赛平台并没有公开数据来源，无法构造完全等价的线下测试环境，同时，选择何种图片采样手段、分辨率没有先验标准，需要耐心的设计实验去选取。因此每一个版本的训练时间较长，平均在10-20小时左右才能看出显著的效果，需要耐心和一定的经验；
• 类别45个，比赛评价指标为每类F1的平均值（macro avg），理论上类别越多难度越大，可能需要关注样本是否存在不平衡的现象，或者不同类别的分类难度是否存在较大的差异；
• 另外，从示例图片观察，某些场景可能还存在二义性、混淆，甚至疑似错误标注，数据质量相比其他遥感数据有一定差别；
• 场景分类可能是细粒度、粗粒度兼有的一种分类问题，轮廓、纹理、对象分布可能都跟分类有关，具体选取那种Backbone，从已有的文献和开源项目看，没有一个统一的标准，所以还得暴力去试。　　　　　
• 总之，该题的挑战就是，每一次调参周期长，数据质量分布不一致容易过拟合，要在有限的时间、积分条件下尽可能找到一个较好的网络架构、学习率、优化器、批次和迭代次数大小的组合。　　　　　

核心思路

在实际的模型开发和实验迭代中：深度学习框架选取了keras，线下实验环境下载了NWPU-RESISC45数据集来模拟赛题（http://www.escience.cn/people/JunweiHan/NWPU-RESISC45.html），该数据集30000多样本，选20000做训练，10000做测试，自己的方法大概能做到96.6的准确率。

• 预处理方面，因为没有均值和标准差的信息，同时该数据集与ImageNet有一定差别，所以直接用最大最小缩放中心化来处理，图片大小选取了224、256、320、384四种组合进行测试。
• 模型选择方面，由于平台特性和限制，分别试验了DenseNet、ResNet、Inception v3、Inception ResNet v2进行比较。同时也发现，尽管样本多达80000，但从头训练还不足以提取和学习到足够的特征，因此一律采用预训练权重。
• 数据增强，为了缓解过拟合，综合运用了Flip，Rotate，Zoom等手段，这个环节主要通过线下调参得到，不一定是最优的增强策略。
• 损失函数，用到了标签平滑技术，比较成熟和常见的手段了。
• 优化器和学习率的控制，Keras自带的Adam，学习率用到了Warmup Scheduler。
• 没有用到后处理、测试增强和模型集成。应该还有提升空间。　　　　　
  

比赛经验总结

多试验，多看大牛代码找灵感。经验和技巧相比大牛还是有较大差距，希望能够得到大牛的指正。声明：该代码仅用于供大家学习所用，整体思想和原创代码请勿直接拿来参赛、开发商业产品、学术发表，本人保留所有原创代码的商业收益权、学术发表权。