深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的算法，也是現(xiàn)階段人工智能技術(shù)研究的核心問題，它使得機(jī)器模仿人類的視聽和思考活動(dòng)，解決了很多復(fù)雜的模式識(shí)別難題。在我們?nèi)粘Ｉ钪校〉蕉兑舳桃曨l個(gè)性化推薦、智能語音助手、手機(jī)拍照濾鏡，大到自動(dòng)機(jī)器翻譯、自動(dòng)駕駛汽車，深度學(xué)習(xí)的身影實(shí)際上已是隨處可見。而當(dāng)GIS具備深度學(xué)習(xí)的能力之后，將會(huì)給空間地理信息的應(yīng)用帶來哪些變化？國產(chǎn)軟件MapGIS在深度學(xué)習(xí)技術(shù)上的探索，給我們帶來了答案。
基于語義分割、影像分類、目標(biāo)檢測和實(shí)例分割，MapGIS深度學(xué)習(xí)功能為用戶提供了從數(shù)據(jù)制作到模型訓(xùn)練，以及基于訓(xùn)練的模型進(jìn)行場景推理的一整套流程工具。近期，MapGIS全面升級(jí)深度學(xué)習(xí)工具，迎來了AI+GIS的技術(shù)融合的新突破！
MapGIS深度學(xué)習(xí)工具
深度學(xué)習(xí)流程全面升級(jí)，帶來全新體驗(yàn)
本次MapGIS深度學(xué)習(xí)工具在數(shù)據(jù)準(zhǔn)備、模型構(gòu)建和模型應(yīng)用三大流程上都做了細(xì)致的優(yōu)化和升級(jí)，在數(shù)據(jù)準(zhǔn)備階段升級(jí)數(shù)據(jù)增強(qiáng)算法，通過隨機(jī)掩膜等方式來進(jìn)行數(shù)據(jù)增強(qiáng)，提升數(shù)據(jù)樣本的多樣性；在模型構(gòu)建上新增了Efficient Net， Attention Unet，Deeplabv3，Transformer，YOLOv4等模型，豐富了模型庫；在模型應(yīng)用上增加了推理結(jié)果后處理算法，通過結(jié)果后處理精細(xì)化模型預(yù)測結(jié)果。
深度學(xué)習(xí)功能流程圖
1、數(shù)據(jù)準(zhǔn)備
數(shù)據(jù)準(zhǔn)備主要分為兩個(gè)部分：第一部分是數(shù)據(jù)的獲取與準(zhǔn)備，數(shù)據(jù)可以通過外野采集的方式或根據(jù)歷史積累的原始數(shù)據(jù)經(jīng)過數(shù)據(jù)清理、預(yù)處理和格式轉(zhuǎn)化等方式獲得；第二部分是利用經(jīng)過處理的數(shù)據(jù)生成數(shù)據(jù)集：將原始數(shù)據(jù)轉(zhuǎn)化為影像數(shù)據(jù)和標(biāo)簽數(shù)據(jù)兩個(gè)部分。為了獲得更好的模型泛化能力，數(shù)據(jù)集提供了內(nèi)置的自適應(yīng)數(shù)據(jù)增強(qiáng)算法對數(shù)據(jù)進(jìn)行增強(qiáng)處理。以道路提取為例，首先在數(shù)據(jù)準(zhǔn)備階段不僅僅需要包含感興趣區(qū)域的影像數(shù)據(jù)，還需要包含道路的矢量文件(或與影像數(shù)據(jù)分辨率相同的柵格標(biāo)簽文件)。
2、模型構(gòu)建與管理
模型構(gòu)建與管理，即基于前期數(shù)據(jù)準(zhǔn)備過程中生成的訓(xùn)練數(shù)據(jù)樣本，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，同時(shí)通過驗(yàn)證集和測試集對訓(xùn)練模型進(jìn)行不斷的迭代評(píng)估，以達(dá)到實(shí)際的應(yīng)用準(zhǔn)確度和精準(zhǔn)度要求。如下圖所示為MapGIS深度學(xué)習(xí)功能訓(xùn)練流程：
模型訓(xùn)練流程
MapGIS默認(rèn)提供基于Faster-RCNN 模型進(jìn)行影像目標(biāo)檢測，也可根據(jù)具體的應(yīng)用場景，選用更適合的深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行影像目標(biāo)檢測。依照模型訓(xùn)練的周期時(shí)長，MapGIS提供支持短周期模型訓(xùn)練的MapGIS桌面端訓(xùn)練工具和支持長周期模型訓(xùn)練的MapGIS Web端服務(wù)方式訓(xùn)練工具。如下圖為MapGIS桌面端的模型訓(xùn)練工具：
深度學(xué)習(xí)Unet模型訓(xùn)練工具
3、模型發(fā)布與應(yīng)用
MapGIS 提供的模型應(yīng)用引擎支持CPU 和GPU 兩種計(jì)算模式，推薦使用GPU 模式。通過MapGIS 深度學(xué)習(xí)工具可以提供包括目標(biāo)檢測、語義分割、地物分類、影像分類等功能覆蓋，同時(shí)可通過MapGIS Web端機(jī)器學(xué)習(xí)模塊實(shí)現(xiàn)服務(wù)發(fā)布，通過組件或Web 多種方式進(jìn)行功能實(shí)現(xiàn)模型應(yīng)用。
GIS+AI，創(chuàng)新地理空間應(yīng)用場景
在傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)的基礎(chǔ)上，GIS 與機(jī)器學(xué)習(xí)的融合更關(guān)注空間維度的元素，這個(gè)空間維度通常采用形狀、密度、鄰接性、空間分布或接近度的度量形式，進(jìn)而將地理空間的概念納入到機(jī)器學(xué)習(xí)中，提供更加豐富的人工智能功能。由于當(dāng)前大數(shù)據(jù)范疇中，80%都包含或者隱藏包含空間信息，所以當(dāng)前很多GIS領(lǐng)域的應(yīng)用場景都將在深度學(xué)習(xí)等人工智能技術(shù)的加持下得到創(chuàng)新性變化。MapGIS深度學(xué)習(xí)工具在巖性識(shí)別、建筑物提取、無人機(jī)檢測車輛、二元變化檢測等方向都有較好的應(yīng)用效果。
1、巖性識(shí)別
MapGIS基于高層視覺信息，提供了深度網(wǎng)絡(luò)模型殘差網(wǎng)絡(luò)(resnet)等30多種網(wǎng)絡(luò)用于提取圖像的抽象語義信息，無需人工取特征，經(jīng)過充分訓(xùn)練后的網(wǎng)絡(luò)分類效果也比較理想。影像分類不僅僅可以用于較大尺度的分類任務(wù)，如城市局部氣候區(qū)分類等，還可以以圖片為單位對相類似圖片進(jìn)行區(qū)分，例如根據(jù)給定巖石圖片進(jìn)行巖性識(shí)別，如下圖為灰白石泡流紋巖石的識(shí)別結(jié)果：
巖性識(shí)別
2、建筑物提取
利用MapGIS深度學(xué)習(xí)工具的影像分割功能，可以實(shí)現(xiàn)建筑物提取。下圖為某地區(qū)的建筑物二元分類的結(jié)果，可將提取結(jié)果自動(dòng)矢量化成建筑矢量面，從而得到建筑位置和矢量邊界的信息。
基于二元分類建筑物對象提取結(jié)果示意圖
3、無人機(jī)檢測車輛
在MapGIS深度學(xué)習(xí)工具中，目標(biāo)檢測使用深度學(xué)習(xí)算法對遙感圖像中的一個(gè)或多個(gè)目標(biāo)的類別和位置進(jìn)行自動(dòng)化判定與識(shí)別，并以矢量框的形式作為標(biāo)記，確定其類別和位置。采用深度學(xué)習(xí)的方法，改進(jìn)影像數(shù)據(jù)目標(biāo)檢測的過程，針對遙感圖像上常見的同類目標(biāo)大小不一的情況，優(yōu)化對小目標(biāo)的識(shí)別能力，以達(dá)到更好的檢測結(jié)果。整個(gè)過程只需要輸入一幅影像和確定識(shí)別目標(biāo)類別，就能快速獲得興趣目標(biāo)的矢量數(shù)據(jù)。下圖為無人機(jī)拍攝某區(qū)域的車輛目標(biāo)檢測結(jié)果，紅色框?yàn)闄z測出來的車輛，可以快速準(zhǔn)確定位車輛分布、位置及數(shù)量，為車輛管理、車輛管控等領(lǐng)域提供基本的數(shù)據(jù)支撐。
無人機(jī)車輛目標(biāo)檢測
4、變化檢測(二元)
二元變化檢測是指對輸入的兩年份影像進(jìn)行二值運(yùn)算(即是否發(fā)生變化)，基于像素級(jí)分類后輸出結(jié)果，主要應(yīng)用為土地利用變化等方面。如圖所示，基于MapGIS深度學(xué)習(xí)工具二元變化檢測所做出的城市建筑物變化檢測的結(jié)果圖。
基于二元變化檢測的結(jié)果示意圖
MapGIS+深度學(xué)習(xí)
MapGIS將自身優(yōu)秀的空間運(yùn)算能力與深度學(xué)習(xí)等人工智能技術(shù)相融合，讓GIS具備效仿人腦的能力，進(jìn)一步加強(qiáng)了空間信息領(lǐng)域復(fù)雜數(shù)據(jù)的解釋與分析能力，極大地提升了效率，為傳統(tǒng)的GIS應(yīng)用領(lǐng)域注入新的動(dòng)能！
