UNet遥感图像语义分割毕设实战：从数据到答辩全流程

简介：本资源是一套完整的本科毕业设计项目，面向计算机、遥感、地理信息等相关专业本科生，聚焦遥感图像语义分割这一典型CV任务，以轻量级但高精度的UNet架构为核心实现端到端像素级分类。压缩包共69个文件，含6个核心Python训练/推理脚本（train.py、predict.py、model.py等）、3个Jupyter Notebook（含数据构建、训练与可视化全流程演示）、5个LaTeX论文章节源码（.tex）及完整PDF毕业论文，辅以SVG流程图、PNG结果示意图和字体/参考文献等支撑文件，整体56.42MB，结构清晰、模块解耦，便于学习理解模型搭建、数据预处理、训练调优与结果评估全链路。已有451人学习下载，源码经本地实测可直接运行，评审得分95分以上，内容由助教审定，涵盖从环境配置、UNet定制化改进到遥感影像（如AerialImage数据集）适配的关键实践细节，是毕业设计选题、课程设计与深度学习入门落地的高可靠性参考方案。 先说结论：这个选题放在本科毕设里，属于“性价比”很高的那一档。UNet原理不复杂，遥感图像语义分割的应用价值又容易讲清楚，不管是做工程实现还是写论文，都有大量现成资料可以借鉴，但又不是简单照搬就能跑通——数据预处理、模型调参、评估指标这些环节，足够让一个认真做的人学到东西，也足够让划水的人暴露问题。如果你正在选毕设题目，或者已经拿到这个项目正在啃源码，这篇内容应该能帮你少走不少弯路。

我按照“从拿到题目到完成答辩”的完整流程来拆解：先讲清楚这个项目到底要做什么、为什么选UNet；然后是一步步的实操过程，包括数据集怎么准备、网络怎么改、训练要注意什么、代码怎么组织；最后是论文写作和答辩的要点，以及一堆只有实际跑过才会踩到的坑。

1. 项目整体设计与需求拆解

1.1 这个毕业设计到底在做什么

遥感图像语义分割，说白了就是把一张卫星或无人机拍下来的图片，按像素分类成不同的地物类别。比如建筑物、道路、水体、植被、农田，每个像素都被打上一个标签。这个任务和普通图像分类最大的区别在于：图像分类只告诉你“这张图里有房子”，而语义分割要告诉你“房子具体在哪个区域、边界在哪里”。

UNet是这个任务里最经典的网络结构之一。它最初是2015年为医学图像分割设计的，但后来被大量用在遥感领域，效果一直很稳。它的名字来源于网络形状——左边编码器逐层下采样提取特征，右边解码器逐步上采样恢复分辨率，中间用跳连把同尺度的特征拼接起来，整个结构像一个U形。

放在毕设的语境下，这个项目的完整闭环是：准备遥感图像数据集 -> 写数据加载和预处理代码 -> 搭建或改进UNet模型 -> 训练并验证 -> 在测试集上评估指标 -> 可视化分割结果 -> 把整个过程写成毕业论文。每一步都有明确产出，非常适合展示“从数据到模型到应用”的完整工程能力。

1.2 为什么选UNet而不是其他分割模型

很多同学会问：DeepLabV3+、PSPNet、SegNet这些不也挺流行吗？为什么偏偏选UNet？

我的看法是，本科毕设的选题标准不应该是“最新”，而应该是“在可控难度内做出可靠结果”。UNet有几个天然优势：

• 结构直观，容易讲清楚。编码器-解码器-跳连这三个核心概念，画一张图就能说明白，答辩时哪怕被问到细节也不会慌。
• 小数据集上表现稳定。遥感数据集不像ImageNet那样动辄百万张，很多公开数据集只有几十到几百张图。UNet的参数量适中，不容易严重过拟合，训练起来也更宽容。
• 改进空间大，方便“加工作量”。这个后面细说。毕设如果想拿到高分，关键在于“比基线模型好一点”，UNet可以挂注意力模块、可以换backbone、可以改用深度可分离卷积，这些都是成熟做法，做出来就是实打实的创新点。
• 参考资料极其丰富。从官方实现到各种复现版本、博客解读、开源项目，几乎你能想到的每个细节都有人踩过坑并留下了记录，对毕设这种有时间限制的场景非常友好。

当然，如果你做的是复杂地物场景、超大尺寸遥感图或者需要实时推理，UNet不一定是最优选择，但在本科毕业设计这个定位下，用它来做“基于遥感图像的语义分割”是合理且稳妥的。

1.3 项目交付物的完整清单

先说清楚你最后要拿出哪些东西。这决定了整个项目的组织方式。

• 可运行的Python源码：包括数据集加载、模型定义、训练脚本、验证脚本、预测脚本、工具函数。不要把所有代码堆在一个文件里，要按功能拆分。
• 训练好的模型权重文件：答辩时一定会有老师要求现场跑一个demo，或者看分割效果图。如果没有训练好的权重，现场从零训练根本来不及。
• 实验记录：包括不同超参数下的训练曲线、损失变化、评估指标对比表。这是论文里“实验分析”章节的素材来源。
• 可视化结果图：原图、标签图、预测图放在一起做对比，最好挑几个“分割效果好”和“分割效果差”的典型例子，分别分析原因。
• 毕业论文：后面专门用一章讲怎么组织内容。

拿到这个项目的时候，不要急着写代码，先把目录结构规划好。我自己的习惯是：

project_root/ ├── data/ # 数据集存放位置 │ ├── images/ │ └── masks/ ├── src/ │ ├── dataset.py # 数据加载与增强 │ ├── model.py # UNet及改进版本 │ ├── train.py # 训练入口 │ ├── predict.py # 推理与可视化 │ └── utils.py # 评估指标、工具函数 ├── weights/ # 保存模型权重 ├── results/ # 训练日志、可视化结果 └── docs/ # 论文及配图素材

这个结构不是装样子，而是为了让你在写论文、做实验对比、反复调试时不用在乱糟糟的文件夹里找文件。我在带学弟学妹做项目时反复强调：代码能不能跑是一回事，别人能不能看懂是另一回事，毕设答辩时老师大概率会翻你的代码结构。

2. 遥感数据集准备与预处理实测

2.1 公开遥感数据集怎么选

遥感语义分割的公开数据集不少，但适合做本科毕设的其实有限。我按“下载难度”“标注质量”“类别数量”三个维度对比过常见的几个：

我比较推荐用DeepGlobe Land Cover或者LoveDA起步，原因是它们已经划分好了train/validation/test，不用自己花时间处理标注数据，而且类别数量适中（5-7类），既不是二分类那种“练手级”任务，也不像ISPRS那样像素级标注极其精细导致模型难收敛。

我的建议是：如果想要高分辨率大图，选ISPRS Potsdam；如果想要省事且视角丰富，选DeepGlobe；如果论文想加“跨区域泛化”这类分析，选LoveDA。不要一开始就追求数据量大，一张遥感图动辄几千像素，直接整图输入GPU显存根本扛不住，后面会讲怎么处理。

2.2 大尺寸遥感图的切块策略

遥感图像和普通照片最大的区别是：尺寸特别大。ISPRS的图是6000x6000，DeepGlobe是2448x2448。如果直接把整张图送进网络，哪怕是最小的UNet也会直接显存溢出。

常规做法是滑窗裁剪。把大图切成若干小patch，常见尺寸是256x256或512x512，相邻patch之间可以设置overlap（重叠率），比如10%-20%的overlap，避免目标物体正好被切在边界上导致分割不连续。

写切块代码的时候需要注意几点：

• 裁切的时候必须同时处理原图和标签图，并且保证二者使用完全相同的坐标偏移。我见过有人分别写了两个循环，结果标签和图像错位，训练时损失死活降不下去。
• patch数量要控制，否则数据量膨胀得很夸张。一张2448x2448的图按512步长切，大约能切出25个patch，一个数据集几百张图就变成上万patch，训练一轮的时间会翻几倍。
• 训练和推理的策略可以不同。训练时用随机裁剪，推理时用滑窗加overlap，最后对重叠区域取平均或投票，能有效减少边界伪影。

如果你用的是现成数据集，比如DeepGlobe，官方一般不提供裁剪后的版本，需要自己写预处理脚本。这个脚本建议保留下来，因为论文里要写“数据预处理流程”，这是可以展开描述的一个小节。

2.3 数据增强：别小看这几个操作

遥感图像分割的数据增强，很多同学直接套用分类任务的套路（随机翻转、随机旋转、色彩抖动），但有几个特殊之处值得注意。

第一，旋转角度要选择90度的倍数。农田、道路、建筑在遥感图里往往有明显的方向性，旋转45度会把“道路”这种直线结构切碎，而且标签是像素级类别，不是矩形框，旋转后需要重新插值，容易造成边缘标签错位。稳妥的组合是：随机水平翻转加随机垂直翻转、旋转90/180/270度、随机裁剪，这三个就够用了。

第二，色彩增强要克制。遥感图像的色调相对稳定，光照变化不像自然图像那么剧烈。把亮度、对比度、饱和度的扰动范围调小，默认0.5的强度在遥感数据上往往过于激进，会让水体看起来像阴影、农田看起来像裸地。

第三，可以用“类别平衡采样”。遥感数据里背景类占比通常很高，道路、水体往往只占几个百分点。如果按原始分布随机采样，模型会严重偏向多数类。一种简单有效的做法是：为每个patch计算标签分布，优先采样那些“包含较多小类别像素”的patch，相当于人为提高少数类的出现频率。这个技巧在论文里写成“基于类别权重的采样策略”，比单纯说“数据不平衡”要高级得多。

2.4 标签编码与类别权重计算

遥感语义分割的标签通常是两种格式：一种是PNG图片，像素值就是类别编号（比如0=背景，1=建筑，2=道路）；另一种是RGB彩色图，不同颜色代表不同类别。如果是后者，需要先做一个“颜色到类别ID”的映射表。

这一步有个常见坑：RGB标签图里可能有一些“未标注”像素，颜色值不在映射表里。处理方式是把它们统一归为背景类，或者在计算损失时忽略这些位置的loss。PyTorch的CrossEntropyLoss自带ignore_index参数，正好用来干这个。

类别权重我自己常用的是median frequency balancing，公式是：

w_c = median_freq / freq_c

其中freq_c是类别c的像素占比，median_freq是所有类别频率的中位数。算完之后归一化，使得权重之和等于类别数。这样做的效果是：让“出现少”的类别在损失函数里获得更大的权重，但又不至于完全压过多数类。比起直接按比例取倒数，这个方法的数值稳定性更好，不容易出现权重爆炸。

在你的论文实验部分，可以做一个“有/无类别权重”的对比实验，这种对比做起来不费劲，但论文里能多一张表、多一个分析段落，非常划算。

3. UNet模型原理与改进方案落地

3.1 网络结构逐层拆解

UNet的核心思想是“用跳连把浅层细节和深层语义融合起来”。我拆开讲：

• 编码器（左侧）：每一层由两个卷积（3x3 + ReLU）加一个2x2最大池化组成，每次池化后特征图尺寸减半、通道数翻倍。常见的初始通道数是64，经过四到五次下采样后，最底层的特征图尺寸只有输入的1/16或1/32，但它包含了最抽象的语义信息——这块区域大概是建筑、是道路、还是水体。
• 瓶颈层（底部）：下采样到最深层之后再做两层卷积，是整个网络感受野最大的位置，相当于对整张图的全局理解。
• 解码器（右侧）：每一层先做一个上采样（通常是转置卷积或双线性插值），把特征图尺寸翻倍、通道数减半，然后把编码器同层的特征图拼接过来（channel维度），再经过两个卷积处理。
• 输出层：最后一层用1x1卷积把通道数映射为类别数，再用Softmax得到每个像素属于各个类别的概率。

跳连的设计非常精妙。如果没有跳连，解码器只能从瓶颈层的低分辨率特征里恢复细节，道路这种细长结构的边界会非常模糊。有了跳连，解码器在每一层都能直接拿到编码器的同尺度特征，细节信息可以从浅层一路传递到输出端。

3.2 为什么这个结构适合遥感图像

我跑过几次实验后的体会是：UNet适合遥感分割，核心原因是遥感图像中的目标结构非常依赖“多尺度信息”。

一个城市区域，既要有建筑的大块轮廓（需要深层语义），又要有道路的细长连接、屋顶边缘的锐利程度（需要浅层细节）。UNet同时拿两者，跳连把浅层边缘和深层语义结合在一起，这种结构在遥感任务里比单纯的编码器-解码器（比如SegNet）效果好得多。

另外，UNet还有一个被很多人忽略的好处：它对训练数据量的要求没那么苛刻。因为跳连的存在，梯度可以更直接地回传到浅层，网络在小数据集上也能有效训练。遥感数据集的标注成本很高，很多实际项目只有几十张标注图，这种情况下UNet往往是第一个能跑出像样结果的选择。

3.3 三招改进UNet，让论文更有含金量

本科毕设想拿高分，“改进网络结构”是性价比最高的加分项。但千万不要瞎改，改得越复杂，训练越不稳定，答辩越难解释。我推荐三个方向，都是成熟、有效、容易实现的改进：

第一招：把标准卷积替换为深度可分离卷积。

深度可分离卷积把普通卷积分解为深度卷积（每个通道单独做卷积）和逐点卷积（1x1卷积融合通道信息）。参数量和计算量都会下降，尤其在下采样到16倍、32倍时，特征图通道数变成512、1024，这部分的参数节省非常可观。在遥感大图上，这能明显降低显存占用，还能加快训练速度。代价是理论上精度会有轻微下降，但实际在UNet这种本身参数冗余量较大的网络上，精度损失往往很小，有时甚至持平。

这个方向特别适合写进论文，因为你可以做一组对比实验：UNet vs 深度可分离卷积UNet，分别报告参数量、FLOPs、推理时间、mIoU。结果大概率是“精度基本持平，计算量降低XX%”，这个结论本身就是很好的实验分析素材。

第二招：加入注意力门控（Attention Gate）。

注意力门控的核心思想是：解码器在拼接编码器特征之前，先对编码器的特征做一次“重要性筛选”，把与当前解码目标相关的区域保留，不相关的区域抑制。从直觉上理解，就是让网络在恢复高分辨率特征时，主动关注那些真正属于“道路”或“建筑”的区域，而不是把背景信息也一块堆进去。

这个模块的实现代码很短，只要几十行，而且是一个独立的模块，插入UNet的跳连位置即可。它不会破坏原有结构，训练收敛也比较稳定。改进的效果通常体现在边界的清晰度上，尤其是道路、田埂这类细长目标的IoU会有可感知的提升。

第三招：用DiceLoss或FocalLoss替换交叉熵。

这个严格来说不算网络结构改进，但很多人把它和上面的改进混在一起写，效果出奇地好。原因也很直接：遥感数据类别极其不平衡，交叉熵天然偏向高频类别。DiceLoss直接优化“预测区域和真实区域的交集占比”，对少数类更友好；FocalLoss则降低易分类样本的loss权重，让模型更关注难分的边界像素。

如果你时间有限，只能做一个改进，我的建议顺序是：类别权重/损失函数 > 注意力门控 > 深度可分离卷积。因为损失函数的改动最小、收益最明显，而深度可分离卷积虽然计算量降低了，但对mIoU的直接提升不如前两个明显。

4. 核心代码实现与训练全流程

4.1 环境配置与依赖版本

遥感分割跑的是PyTorch生态，我用过一个比较省心的版本组合：

Python 3.8 或 3.9 PyTorch 1.12 或 2.0 CUDA 11.3 或 11.8（按显卡驱动选） torchvision 0.13 或 0.15 opencv-python numpy matplotlib tqdm

不推荐用太新的版本，因为很多现成源码和博客例子都是基于旧版本写的，API对不上会浪费大量时间去查文档。这里有一个实测下来很稳的安装方式：先用conda创建独立环境，再通过pip安装PyTorch。建议一定要独立环境，不要直接装在base环境里，不然依赖冲突能把人逼疯。

conda create -n unet python=3.9 conda activate unet pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install opencv-python numpy matplotlib tqdm

提示：如果你的显卡显存不够（小于6GB），建议把batch size设小，同时把输入patch尺寸从512降到256。模型和显存的关系并不是线性的，UNet下采样到16层时中间特征的通道数会比较大，显存往往会成为训练的第一个瓶颈。

4.2 数据加载器：Dataset类怎么写最稳

PyTorch的Dataset类是用来给模型喂数据的。遥感分割的数据加载有几个特殊处理，代码里必须体现：

import os import cv2 import numpy as np import torch from torch.utils.data import Dataset class RemoteSensingDataset(Dataset): def __init__(self, image_dir, mask_dir, image_size=512, transform=None): self.image_paths = sorted([os.path.join(image_dir, f) for f in os.listdir(image_dir)]) self.mask_paths = sorted([os.path.join(mask_dir, f) for f in os.listdir(mask_dir)]) self.image_size = image_size self.transform = transform def __len__(self): return len(self.image_paths) def __getitem__(self, idx): image = cv2.imread(self.image_paths[idx]) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) mask = cv2.imread(self.mask_paths[idx], cv2.IMREAD_GRAYSCALE) # 随机裁剪到统一尺寸 h, w = image.shape[:2] top = np.random.randint(0, h - self.image_size + 1) left = np.random.randint(0, w - self.image_size + 1) image = image[top:top+self.image_size, left:left+self.image_size] mask = mask[top:top+self.image_size, left:left+self.image_size] # 归一化 image = image.astype(np.float32) / 255.0 mean = np.array([0.485, 0.456, 0.406]) std = np.array([0.229, 0.224, 0.225]) image = (image - mean) / std # HWC -> CHW image = np.transpose(image, (2, 0, 1)) mask = torch.from_numpy(mask.astype(np.int64)) return torch.from_numpy(image).float(), mask

这里有几个容易被忽略的细节：

• 随机裁剪的边界判断：如果原图尺寸小于image_size，np.random.randint会直接报错。要么在init里断言检查，要么对过小的图做resize。我推荐在数据集准备阶段就先统一过滤掉小于512的图，省得在训练过程中崩溃。
• mask必须是int64：PyTorch的CrossEntropyLoss要求target是LongTensor，否则会报类型不匹配。
• 归一化的mean/std：这里用了ImageNet的统计值，虽然遥感图像色域分布和自然图像有差异，但在迁移学习的框架下使用ImageNet的归一化参数是合理的，不要改成[0,1]的简单归一化，后者会让预训练模型权重失去意义（如果你用到了预训练backbone）。
• 注意文件路径排序：sorted可以保证image和mask的文件名一一对应，但两个文件夹里文件名必须完全一致，否则会出现图像和标签错位。我自己习惯把文件名统一命名为img_0001.png和mask_0001.png，并在Dataset里加一个断言检查数量是否相等。

4.3 训练循环：必须监控这些指标

训练UNet不必写太多花哨的代码，核心循环就那些，但有几个关键点比代码本身重要得多。

学习率和优化器：遥感分割任务我推荐AdamW + OneCycleLR或CosineAnnealingLR。初始学习率设在1e-4到3e-4之间比较稳。如果训练前期损失震荡剧烈，把学习率降到3e-5重新跑；如果损失下降太慢，适当提高到5e-4，但要密切观察。

损失函数：单用交叉熵在类别不平衡时会偏向多数类；单用DiceLoss在小目标上训练不稳定。我实测效果最好的是交叉熵 + DiceLoss的组合，加权系数可以设为1:1，也可以让DiceLoss略低，比如0.5。PyTorch实现DiceLoss并不复杂，核心代码如下：

def dice_loss(pred, target, eps=1e-7): pred = torch.softmax(pred, dim=1) target_one_hot = torch.nn.functional.one_hot(target, num_classes=pred.shape[1]) target_one_hot = target_one_hot.permute(0, 3, 1, 2).float() intersection = (pred * target_one_hot).sum(dim=(2, 3)) union = pred.sum(dim=(2, 3)) + target_one_hot.sum(dim=(2, 3)) dice = (2 * intersection + eps) / (union + eps) return 1 - dice.mean()

这里需要特别提醒：计算DiceLoss时不要用softmax后的概率直接做one-hot，也不要直接在logits上算，要确保pred和target_one_hot的shape完全对齐，否则很容易出现一个维度为1的广播，精度看着还可以，但实际指标全是幻觉。

早停与模型保存：建议每个epoch结束后在验证集上计算mIoU，只保存验证集mIoU最高时的权重，而不是最后一个epoch的权重。深度学习训练后期往往会出现验证指标下降（过拟合），保存最佳权重能帮你保住最好的结果。

best_iou = 0 for epoch in range(epochs): train_loss = train_one_epoch(model, loader, optimizer, criterion) val_iou, val_loss = validate(model, val_loader) if val_iou > best_iou: best_iou = val_iou torch.save(model.state_dict(), "weights/best_model.pth") print(f"Epoch {epoch:03d} | Train Loss {train_loss:.4f} | Val IoU {val_iou:.4f}")

训练日志一定要保留，因为你在论文里需要画出loss曲线和IoU曲线。tqdm加不加都行，但我强烈建议把每个epoch的训练信息输出到日志文件，而不是只打印到终端。几十个epoch的训练，日志文件是排查问题的第一手证据。

4.4 评估指标：mIoU怎么算才准确

语义分割最核心的指标是mIoU（mean Intersection over Union），它表示每个类别预测区域和真实区域的交集与并集之比，再对所有类别取平均。公式不复杂：

IoU = TP / (TP + FP + FN) mIoU = (1 / C) * sum(IoU_c)

其中TP是真正例，FP是假正例，FN是假阴例，C是类别数。

写代码的时候，千万不要直接循环每个像素比较，那样太慢。正确的做法是先用混淆矩阵统计每个类别的TP、FP、FN，再统一计算：

def compute_miou(pred, target, num_classes, ignore_index=255): pred = pred.view(-1) target = target.view(-1) mask = target != ignore_index pred = pred[mask] target = target[mask] confusion_matrix = np.zeros((num_classes, num_classes), dtype=np.int64) for t, p in zip(target.cpu().numpy(), pred.cpu().numpy()): confusion_matrix[t, p] += 1 intersection = np.diag(confusion_matrix) union = confusion_matrix.sum(axis=0) + confusion_matrix.sum(axis=1) - intersection iou = intersection / (union + 1e-7) return np.nanmean(iou), iou

这个实现的核心逻辑是：混淆矩阵的第i行第j列表示“真实类别i被预测为类别j”的像素个数，对角线就是各类别的TP。用矩阵运算替代逐像素循环，速度能快几十倍。

还有一个细节：如果某个类别在整张验证图里没有出现（比如某张图里完全没有水体），那这个类别的IoU分子分母都是0，应该跳过不算，而不是记成0。用np.nanmean可以自动跳过NaN。

除了mIoU，建议同时报告F1分数和Pixel Accuracy（PA）。虽然mIoU是主要指标，但答辩老师可能会问“为什么用IoU而不用PA”，这时候你要能解释：PA会被背景类主导，如果背景占90%，模型把全部像素预测为背景都能得到90%的PA，但这个结果毫无意义。而IoU对每类分别计算，能更公平地反映模型在少数类上的表现。

4.5 推理与可视化：如何让结果“能看”

训练完成后，写一个predict脚本，对测试集逐张图推理，保存分割结果的可视化图。这一步对论文和答辩都极其重要，因为评审老师第一眼看到的不是你的训练曲线，而是你贴出来的分割效果图。

def predict_image(model, image_path, output_path, device, image_size=512): model.eval() image = cv2.imread(image_path) image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) h, w = image_rgb.shape[:2] # 滑窗预测 result = np.zeros((h, w), dtype=np.int64) count = np.zeros((h, w), dtype=np.float32) for top in range(0, h - image_size + 1, image_size // 2): for left in range(0, w - image_size + 1, image_size // 2): patch = image_rgb[top:top+image_size, left:left+image_size] patch = patch.astype(np.float32) / 255.0 patch = (patch - mean) / std patch = np.transpose(patch, (2, 0, 1)) patch = torch.from_numpy(patch).unsqueeze(0).float().to(device) with torch.no_grad(): output = model(patch) pred = torch.argmax(output, dim=1).squeeze(0).cpu().numpy() result[top:top+image_size, left:left+image_size] += pred count[top:top+image_size, left:left+image_size] += 1 result = np.round(result / count).astype(np.int64) # 保存：原图 + 标签 + 预测 color_map = np.array([[0, 0, 0], [255, 0, 0], [0, 255, 0], [0, 0, 255], [255, 255, 0]]) vis_pred = color_map[result] cv2.imwrite(output_path, cv2.cvtColor(vis_pred, cv2.COLOR_RGB2BGR))

这里有几个关键点：

• 滑窗步长取image_size的一半，即重叠率50%。重叠区域多次预测后取平均，边缘处的预测会更稳定。
• count数组记录每个像素被预测了几次，最后做归一化。如果不做这个处理，边界区域会出现明显的“马赛克”拼接痕迹。
• 可视化时的颜色映射要统一，论文里所有图都用同一套颜色方案，否则视觉上会很混乱。

5. 论文写作：如何把项目讲出高分

5.1 论文结构怎么安排

本科毕设论文通常有固定套路，但“套路”不等于“敷衍”。我建议按以下结构组织：

• 第一章 绪论：背景与意义、国内外研究现状、主要工作内容。重点写清楚“遥感图像分割为什么重要”，不要只写“随着遥感技术的发展”这种空话，要具体到“高分遥感影像中建筑物提取对城市规划的意义”“水体提取对洪涝灾害评估的意义”等，有具体场景支撑的背景才不空洞。
• 第二章 相关技术基础：卷积神经网络基础、语义分割主流方法综述、UNet网络结构详细说明。这一章看起来是凑字数用的，但实际上是你回答答辩问题的弹药库。把卷积、池化、转置卷积、感受野这些基础概念用自己的话写清楚，答辩时被问到任何细节都能从这里找到答案。
• 第三章 数据集与预处理：数据集介绍、数据预处理流程、数据增强策略、类别不平衡处理方案。这一章是拉开差距的地方，因为很多人的论文根本不写数据预处理细节，而你如果写清楚了patch裁剪策略、类别权重计算方式，老师会认为你真的动手做过。
• 第四章 改进的UNet模型设计：基线模型、改进思路、改进后的网络结构、模块细节。重点展示你改了什么、为什么这么改、图怎么画。
• 第五章 实验设计与结果分析：实验环境、评价指标、对比实验、消融实验、可视化结果分析。这是全篇最有说服力的部分，必须用数据说话。
• 第六章 总结与展望：总结工作内容、分析不足、展望改进方向。不要写“相信未来一定会更好”这类废话，要写“本方法在xxx场景下存在xxx不足，后续可以尝试xxx”，实打实的未来工作才是老师想看到的。

5.2 实验设计：如何把对比做扎实

高分论文的实验部分，几乎都有一个共同点：实验表格非常丰富。我强烈建议至少做以下几组对比：

• 基线UNet vs 改进UNet：证明你的改进有效。如果改进后mIoU提升不明显，也别慌，可以在论文里如实写“在xx类别上提升明显，在xx类别上基本持平”，然后分析原因。
• 不同损失函数的对比：交叉熵 vs DiceLoss vs 两者结合。这个实验成本很低（每个只需要重跑一遍训练），但能显著增加论文的深度。
• 不同输入尺寸的对比：256 vs 512。可以分析大patch带来的感受野扩大，与小patch带来的细节保留之间的权衡。
• 不同优化器/LR策略的对比：Adam vs SGD、固定LR vs CosineAnnealing。这个可以简单做一个表格，作为调参经验总结。

一个容易忽略的坑是：对比实验必须保持变量一致。比如你想对比“是否加入注意力模块”，那么在两次实验中，除了模型结构外，数据增强、初始学习率、随机种子、训练epoch数、batch size都必须完全一致，否则你没法把mIoU的差异归因于网络结构。最好固定随机种子（如torch.manual_seed(42)），确保实验可复现。

5.3 图表制作：配得上“高分”两个字

论文里的图和表，质量直接决定了老师的第一印象。我的几条经验：

• 网络结构图：不要直接截取其他论文的图，也不要画得太复杂。用PPT或draw.io画清楚“编码器-解码器-跳连”的大结构，标注清楚特征图尺寸和通道数变化，一张图控制在A4纸宽度内。
• 训练曲线图：横轴是epoch，纵轴是loss和mIoU，最好把train和val画在一张图上，用不同颜色区分。注意纵轴范围不要自动缩放得过于夸张，否则曲线看起来是平的。
• 效果对比图：把“原图、标签、基线模型预测、改进模型预测”四张图拼成一行，选三到四组典型场景。一定要挑一个“改进模型明显优于基线”的例子，也要挑一个“两个模型都预测失败”的例子，然后分析失败原因。
• 结果表格：每张表都要有表头、单位、显著性加粗（比如最好结果加粗），每张表下面配一段分析文字，不要只贴表不分析。

6. 常见问题与排查技巧实录

6.1 训练时显存溢出（OOM）

这是遥感分割训练里最常见的报错。原因通常是输入图像太大或batch size太大。排查顺序：

• 把batch size减半，比如从8改成4。如果还OOM，继续减半到2或1。
• 把输入patch尺寸从512降到384或256。分割任务的输入尺寸对效果有影响，但小一点总比训练不起来强。
• 开启PyTorch的torch.cuda.amp混合精度训练，能把显存占用降低一半左右，而且对精度影响很小。这也是论文里可以提的一个细节。
• 检查是否在代码里保存了不必要的中间变量，比如计算loss时调用了.detach()但没有把计算图释放。

如果以上都不行，那就要考虑自己的显卡是不是太小了，可以租云GPU来做训练，毕竟毕业设计时间宝贵，不值得为了在本地跑通而浪费一个星期。

6.2 损失下降但mIoU不涨

这是一个非常典型的陷阱：训练loss在降，但验证集mIoU纹丝不动甚至下降。排查思路如下：

• 先确认验证集的评估代码没问题。很多人写的mIoU计算有bug，最常见的是类别数和混淆矩阵维度对不上，或者没有忽略ignore_index。
• 检查是不是过拟合了。看看训练loss和验证loss的差距，如果训练loss很低但验证loss很高，说明模型在学训练集的“噪声”而不是泛化特征。此时需要增强数据增强、加大权重衰减、加入早停。
• 检查是否类别极端不平衡。如果背景类占95%，道路占1%，模型只需要把所有像素都预测为背景，loss就能降得很低，但道路的IoU是0，mIoU自然上不去。解决方案就是前面提到的在损失函数里加入类别权重或DiceLoss。

我自己遇到过一个很坑的情况：训练正常、loss下降、mIoU却不涨，查了一天发现是数据加载时“图mask的颜色映射表写反了”，导致标签类别错位，模型在错误的监督信号下学习，自然学不出什么东西。

6.3 预测结果出现“网格状”或“棋盘格”伪影

这个现象在遥感分割中很常见，主要原因是推理时patch之间没有overlap，或者overlap区域没有做平均。解决办法前面已经提过：滑窗步长设置为patch尺寸的一半，重叠区域多次预测后取平均。还有一个原因是转置卷积带来的“棋盘格效应”，如果模型里有大量转置卷积，可以尝试换成双线性插值上采样加卷积的组合，虽然不是每次都明显，但值得一试。

6.4 训练速度慢到无法接受

如果在1080Ti或更低档次的卡上训练，每个epoch都要几十分钟，那肯定要优化。我的建议按优先级排列：

• 先把图像尺寸降下来，从512降到256，速度提升远大于显存优化。
• 开启torch.backends.cudnn.benchmark = True。这个设置能让PyTorch自动寻找最适合当前输入尺寸的卷积算法，有时候能带来30%以上的速度提升。
• 检查是不是数据加载成了瓶颈。如果GPU利用率很低但CPU跑满，说明是DataLoader的num_workers设小了。增加到4或8，并把pin_memory=True打开。
• 混合精度训练除了省显存，本身也会加速计算。

6.5 答辩时老师会问什么

最后顺手列几个我见过的、也是你大概率会被问到的答辩问题：

• “为什么选UNet而不是其他模型？” 回答思路参考本文1.2节。
• “你的改进点在哪里？为什么有效？” 这是必考题，要能说清楚你改的是哪一层、为什么这一层改完能提升效果。
• “mIoU和PA有什么区别？” 答案见4.4节。
• “你的模型在什么场景下会失效？” 诚实回答，比如“在建筑物阴影密集的区域，模型会把阴影误判为水体”，然后补充说“我分析是因为训练集里阴影样本较少，后续可以增加这类样本”。
• “你能现场跑一下吗？” 如果准备了训练好的权重和简单的demo脚本，这个回答就很从容。

写在最后：几个项目的实际心得

这个项目我前前后后带人做过几次完整流程，从数据准备到论文定稿，通常需要四到六周。我个人最大的体会是：这个题目的难度并不是“算法创新”，而是“工程过程的完整性”——能不能把数据、模型、训练、评估、可视化、论文串成一条线。UNet本身不是难点，真正拉开差距的是数据预处理是否精细、实验对比是否充分、论文写作是否扎实。

如果你正在做这个项目，我最后再分享一个建议：从第一天开始，就把所有实验结果保留下来，包括你改过的超参数、每个版本的模型权重、每个结果对应的代码版本。不要嫌麻烦，等到写论文时你会发现，最痛苦的事情不是没有结果，而是“这张图对应的实验我忘了用的是哪个配置”。可以简单做一个Excel表格，记录每次实验的日期、模型结构、数据集版本、关键超参数、mIoU和备注信息，这会让论文写作阶段轻松非常多。

这个项目做完之后可以扩展的方向也很多，比如把UNet换成UNet++或SegFormer，把单模态图像改成图像加高程数据的多模态输入，或者加入边缘监督分支来提升边界质量。如果你后面想继续做研究或者找工作，这段经历都能成为你简历上拿得出手的内容。

本文还有配套的精品资源，点击获取