針對目前互聯(lián)網(wǎng)中存在有大量地圖圖片識(shí)別精度低、分類模型訓(xùn)練困難等問題,該文提出了一種基于主動(dòng)學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的地圖圖片識(shí)別方法,通過主動(dòng)學(xué)習(xí)算法優(yōu)化地圖/非地圖圖片樣本數(shù)量及分類結(jié)構(gòu),可使用少量的訓(xùn)練樣本以及人工投入,來獲取基于卷積神經(jīng)網(wǎng)絡(luò)的高精度地圖圖片識(shí)別模型。結(jié)果表明:基于主動(dòng)學(xué)習(xí)方法將地圖/非地圖圖片樣本類型劃分為17類時(shí),地圖圖片識(shí)別精度最高,約為95.01%。本文地圖識(shí)別方法可有效地推動(dòng)圖像地理信息挖掘、地圖審查及地理信息監(jiān)管等領(lǐng)域的技術(shù)進(jìn)步。 

【文章來源】：測繪科學(xué). 2020,45(07)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

隨著網(wǎng)絡(luò)模型中的層數(shù)的增加,網(wǎng)絡(luò)可以進(jìn)行更加復(fù)雜的特征模式提取。但是,隨著網(wǎng)絡(luò)層數(shù)的增加,會(huì)出現(xiàn)梯度消失或者梯度爆炸的問題,從而導(dǎo)致網(wǎng)絡(luò)模型難以訓(xùn)練;隨著網(wǎng)絡(luò)模型深度的增加,網(wǎng)絡(luò)出現(xiàn)退化的情況。2015年何凱明等人提出的一種引入殘差結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)(ResNet50),該網(wǎng)絡(luò)主要解決了訓(xùn)練誤差隨著網(wǎng)絡(luò)深度層數(shù)的增加而增大的問題。該網(wǎng)絡(luò)的關(guān)鍵結(jié)構(gòu)是在基本的網(wǎng)絡(luò)單元中增加的一個(gè)快捷恒等鏈接,如圖2的結(jié)構(gòu)所示[20]。潛在的理想映射為H(x),則有H(x)=F(x)+x。將對H(x)的擬合轉(zhuǎn)變成對F(x)=H(x)-x的擬合,通過對殘差F(x)的擬合來取代傳統(tǒng)的對于H(x)的擬合[21]。ResNet50網(wǎng)絡(luò)模型由輸入層、卷積層、池化層、殘差結(jié)構(gòu)、全連接層、輸出層共同組成。殘差結(jié)構(gòu)使卷積神經(jīng)網(wǎng)絡(luò)達(dá)到足夠深的網(wǎng)絡(luò)結(jié)構(gòu)而不丟失訓(xùn)練精度。

地圖圖片中既包含有其特有的特征,又包含有與其他類別類似的特征,其特有特征是對其進(jìn)行識(shí)別的基礎(chǔ)。圖3中展示了地圖與折線統(tǒng)計(jì)圖所有共有的現(xiàn)狀對象的特征。地圖圖片和其他圖片所共有的特征是其分類誤差的主要原因。所以需要將其他類別的特有特征單獨(dú)提取出來,以剔除地圖分類過程中的分類誤差。所以本文將地圖圖片分為多類,用以提取識(shí)別不同類別的特征。

【參考文獻(xiàn)】：
期刊論文
[1]地圖圖片的特征提取與自動(dòng)識(shí)別方法[J]. 王雪冰,郭慶勝,王勇,柳其志,魏智威.  測繪與空間地理信息. 2019(09)
[2]圖像場景分類技術(shù)綜述[J]. 田艷玲,張維桐,張鍥石,路綱,吳曉軍.  電子學(xué)報(bào). 2019(04)
[3]基于卷積網(wǎng)絡(luò)的沙漠腹地綠洲植物群落自動(dòng)分類方法[J]. 尼加提·卡斯木,師慶東,劉素紅,比拉力·依明,李浩.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(01)
[4]卷積神經(jīng)網(wǎng)絡(luò)在車牌識(shí)別中的應(yīng)用研究[J]. 劉華春.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(04)
[5]一種卷積神經(jīng)網(wǎng)絡(luò)的地圖圖片智能識(shí)別方法[J]. 崔騰騰,劉紀(jì)平,羅安.  測繪科學(xué). 2019(01)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的快速人臉檢測算法[J]. 陳益民,白勇,黎傳琛.  海南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)
[7]基于多應(yīng)用場景的主動(dòng)學(xué)習(xí)算法研究[J]. 王天珩,張軼.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(29)
[8]基于多分類和ResNet的不良圖片識(shí)別框架[J]. 王景中,楊源,何云華.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(09)
[9]立交橋識(shí)別的CNN卷積神經(jīng)網(wǎng)絡(luò)法[J]. 何海威,錢海忠,謝麗敏,段佩祥.  測繪學(xué)報(bào). 2018(03)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感沙漠綠地提取方法[J]. 田德宇,張耀南,趙國輝,韓立欽.  遙感技術(shù)與應(yīng)用. 2018(01)

博士論文
[1]基于地圖及遙感影像的地理信息提取研究[D]. 楊云.解放軍信息工程大學(xué) 2008

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)及HMAX模型的人臉年齡分類方法[D]. 李超琪.東華大學(xué) 2017



本文編號(hào)：3224412