主动学习和卷积神经网络的地图图片识别方法

发布时间：2021-06-11 11:02

　　针对目前互联网中存在有大量地图图片识别精度低、分类模型训练困难等问题,该文提出了一种基于主动学习和卷积神经网络的地图图片识别方法,通过主动学习算法优化地图/非地图图片样本数量及分类结构,可使用少量的训练样本以及人工投入,来获取基于卷积神经网络的高精度地图图片识别模型。结果表明:基于主动学习方法将地图/非地图图片样本类型划分为17类时,地图图片识别精度最高,约为95.01%。本文地图识别方法可有效地推动图像地理信息挖掘、地图审查及地理信息监管等领域的技术进步。 

【文章来源】：测绘科学. 2020,45(07)北大核心CSCD

【文章页数】：9 页

【部分图文】：

卷积神经网络结构示意图

随着网络模型中的层数的增加,网络可以进行更加复杂的特征模式提取。但是,随着网络层数的增加,会出现梯度消失或者梯度爆炸的问题,从而导致网络模型难以训练;随着网络模型深度的增加,网络出现退化的情况。2015年何凯明等人提出的一种引入残差结构的卷积神经网络(ResNet50),该网络主要解决了训练误差随着网络深度层数的增加而增大的问题。该网络的关键结构是在基本的网络单元中增加的一个快捷恒等链接,如图2的结构所示[20]。潜在的理想映射为H(x),则有H(x)=F(x)+x。将对H(x)的拟合转变成对F(x)=H(x)-x的拟合,通过对残差F(x)的拟合来取代传统的对于H(x)的拟合[21]。ResNet50网络模型由输入层、卷积层、池化层、残差结构、全连接层、输出层共同组成。残差结构使卷积神经网络达到足够深的网络结构而不丢失训练精度。

地图图片中既包含有其特有的特征,又包含有与其他类别类似的特征,其特有特征是对其进行识别的基础。图3中展示了地图与折线统计图所有共有的现状对象的特征。地图图片和其他图片所共有的特征是其分类误差的主要原因。所以需要将其他类别的特有特征单独提取出来,以剔除地图分类过程中的分类误差。所以本文将地图图片分为多类,用以提取识别不同类别的特征。

【参考文献】：
期刊论文
[1]地图图片的特征提取与自动识别方法[J]. 王雪冰,郭庆胜,王勇,柳其志,魏智威.  测绘与空间地理信息. 2019(09)
[2]图像场景分类技术综述[J]. 田艳玲,张维桐,张锲石,路纲,吴晓军.  电子学报. 2019(04)
[3]基于卷积网络的沙漠腹地绿洲植物群落自动分类方法[J]. 尼加提·卡斯木,师庆东,刘素红,比拉力·依明,李浩.  农业机械学报. 2019(01)
[4]卷积神经网络在车牌识别中的应用研究[J]. 刘华春.  计算机技术与发展. 2019(04)
[5]一种卷积神经网络的地图图片智能识别方法[J]. 崔腾腾,刘纪平,罗安.  测绘科学. 2019(01)
[6]基于卷积神经网络的快速人脸检测算法[J]. 陈益民,白勇,黎传琛.  海南大学学报(自然科学版). 2018(04)
[7]基于多应用场景的主动学习算法研究[J]. 王天珩,张轶.  现代计算机(专业版). 2018(29)
[8]基于多分类和ResNet的不良图片识别框架[J]. 王景中,杨源,何云华.  计算机系统应用. 2018(09)
[9]立交桥识别的CNN卷积神经网络法[J]. 何海威,钱海忠,谢丽敏,段佩祥.  测绘学报. 2018(03)
[10]基于卷积神经网络的遥感沙漠绿地提取方法[J]. 田德宇,张耀南,赵国辉,韩立钦.  遥感技术与应用. 2018(01)

博士论文
[1]基于地图及遥感影像的地理信息提取研究[D]. 杨云.解放军信息工程大学 2008

硕士论文
[1]基于深度卷积神经网络及HMAX模型的人脸年龄分类方法[D]. 李超琪.东华大学 2017



本文编号：3224412