全球水稻多类分割项目可复现性分析报告

RiceSEG Dataset Reproduction with SegFormer

📦 源代码: GitHub 仓库

1 项目概述

本项目基于 MMSegmentation 框架，复现了论文《Global rice multiclass segmentation dataset (RiceSEG)》中的基准实验，使用 SegFormer (MiT-B0) 模型完成水稻多类别语义分割实验。

1.1 小组成员

  • 刘夏（组长）
  • 其他成员

1.2 研究背景

水稻是全球最重要的粮食作物之一，精准的水稻种植区域遥感监测对粮食安全评估至关重要。RiceSEG 是一个全球尺度的水稻多类别语义分割数据集，涵盖了不同品种、生长期和种植环境的水稻影像。本项目基于 MMSegmentation 框架，使用 SegFormer (MiT-B0) 模型复现该数据集的基准实验，验证模型在水稻多类别分割任务上的性能。

1.3 复现目标

  1. 基于 MMSegmentation 框架配置 SegFormer 模型
  2. 在 RiceSEG 数据集上完成训练和评估
  3. 可视化模型预测结果并与人工标注对比

2 复现结果

2.1 原图、模型分割图、人工标注图对比

以下图片展示了原始图像、模型预测结果和人工标注结果的对比，可用于直观比较模型在水稻不同类别区域上的分割效果。

2.1.1 样本 1

样本1对比

2.1.2 样本 2

样本2对比

2.1.3 样本 3

样本3对比

2.1.4 样本 4

样本4对比

2.1.5 样本 5

样本5对比

2.1.6 样本 6

样本6对比

2.1.7 样本 7

样本7对比

2.1.8 样本 8

样本8对比

2.1.9 样本 9

样本9对比

3 代码说明

3.1 主要脚本

  • code/visualize_masks.py — 可视化分割掩码
  • code/命令.md — 训练和测试命令说明

3.2 模型配置

configs/ 目录包含 SegFormer 模型的配置文件，用于训练和评估。

4 环境配置

本项目基于 MMSegmentation 框架，需要安装以下依赖：

  • PyTorch
  • MMCV
  • MMSegmentation

详细安装步骤请参考 README.md。

5 数据说明

RiceSEG 数据集需要从官网下载：https://www.global-rice.com/

数据集应整理为 MMSegmentation 支持的标准格式，放入 data/mmseg_format/ 目录。

6 结论

  1. 本项目成功复现了 RiceSEG 数据集的基准实验
  2. SegFormer (MiT-B0) 模型在水稻多类别语义分割任务上表现良好
  3. 模型预测结果与人工标注高度一致