面向机器阅读的地图名称注记类别识别方法

发布时间：2021-09-30 10:07

　　地图在人们的生产生活中发挥着重要作用,地图注记中蕴含大量信息,识别地图名称注记类别对未来计算机阅读地图以及进一步绘制地图具有重大意义。近年来,热门的深度学习技术尤其是卷积神经网络对解决图像分类问题具有良好效果,使用训练集对卷积神经网络进行训练,神经网络模型可以提取出数据集图片中的特征,并不断调整模型参数直到训练完成。以谷歌的开源框架TensorFlow作为实验的深度学习平台,对多部地图集的多份注记数据集进行智能分类研究,从地图集中人工获取注记图片作为样本数据集,构建卷积神经网络模型并尝试混合训练和分开训练两种方式。实验表明,混合训练方式获得的模型表现更加出色。 

【文章来源】：武汉大学学报(信息科学版). 2020,45(02)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

稀疏连接原理图

图1中底层神经元主要进行图像边缘的处理、识别，而顶层神经元提取的是抽象程度更高的特征，识别等级更高，并能进行分类。图2共享权值的机制不仅可减少所需的权重数量，而且能实现图像识别与图像位置、大小、旋转角度变化的无关性，具有重要意义。2 两种训练方式

这5部地图集均是行政区划图集，其中包含较为清晰和较多数量的注记。一般图像的分类是根据图像中的内容物体进行分类，比如人物、动物、风景等，而地图中名称注记的分类更多的是参考注记所标识要素的类别。因此，根据地图集内容、显著表现形式、注记描述要素类型等方面将名称注记分为4类进行样本的采集和标注，分别为山峰注记、地名注记、区域注记和水系注记，地图中的要素也可按照这4类进行分类。各地图集的4种注记类型示例如图3所示。由图3可知，不同地图集的4种注记形式各有不同的特点，但整体观察又存在一些共同特征，比如区域注记字体都用红色表示，水系注记字体都用蓝色表示，不同类型的注记在字体、字形、字色等方面存在较大的区分度。

【参考文献】：
期刊论文
[1]基于卷积神经网络的石刻书法字识别方法[J]. 温佩芝,姚航,沈嘉炜.  计算机工程与设计. 2018(03)
[2]一种彩色栅格地图注记识别方法[J]. 沈意浪,艾廷华,赵荣.  武汉大学学报(信息科学版). 2018(01)
[3]基于ImageNet预训练卷积神经网络的遥感图像检索[J]. 葛芸,江顺亮,叶发茂,许庆勇,唐祎玲.  武汉大学学报(信息科学版). 2018(01)
[4]基于ENVI的遥感图像决策树分类[J]. 曹洪弟,洪友堂,张伟,田渊.  北京测绘. 2017(02)
[5]面向小间距地图注记的智能识别研究[J]. 黎达,李胜辉,林大贵,周阳.  测绘与空间地理信息. 2016(02)
[6]连续属性完全贝叶斯分类器的学习与优化[J]. 王双成,杜瑞杰,刘颖.  计算机学报. 2012(10)
[7]地图数字注记识别的神经网络方法[J]. 杨云,张子敬.  解放军测绘学院学报. 1997(01)
[8]模糊联想记忆神经网络及其在地图数字注记识别中的应用[J]. 谢士杰.  测绘科技动态. 1995(02)
[9]基于神经网络的地图数字注记识别[J]. 刘少创,林宗坚.  武汉测绘科技大学学报. 1994(03)

硕士论文
[1]基于卷积神经网络的图像识别方法研究[D]. 段萌.郑州大学 2017



本文编号：3415644