CN110569871B - 一种基于深度卷积神经网络的鞍部点识别方法 - Google Patents
一种基于深度卷积神经网络的鞍部点识别方法 Download PDFInfo
- Publication number
- CN110569871B CN110569871B CN201910696431.9A CN201910696431A CN110569871B CN 110569871 B CN110569871 B CN 110569871B CN 201910696431 A CN201910696431 A CN 201910696431A CN 110569871 B CN110569871 B CN 110569871B
- Authority
- CN
- China
- Prior art keywords
- saddle
- neural network
- convolutional neural
- network model
- dem
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000013135 deep learning Methods 0.000 claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 33
- 238000011176 pooling Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的鞍部点识别方法，包括以下步骤：1)构建训练样本集；2)建立改进的鞍部特征深度学习卷积神经网络模型；3)设置训练改进的鞍部特征深度学习卷积神经网络模型所需的各种参数，对改进的鞍部特征深度学习卷积神经网络模型进行训练，使得其能够对DEM数据中的潜在鞍部点进行自动识别，然后通过位置回归MLP网络对鞍部点坐标进行修正，确定初选鞍部点；4)在初选鞍部点中选取识别概率大于设定阈值的threshold者作为最终鞍部点，提取该最终鞍部点的修正坐标，并将该最终鞍部点的修正坐标映射回原始DEM中，得最终的鞍部点标识图，该方法能够通过鞍部特征的深度学习神经网络对DEM数据中的鞍部点进行自动标识。
Description
技术领域
本发明属于数字地形分析领域的要素识别技术领域，涉及一种基于深度卷积神经网络的鞍部点识别方法。
背景技术
数字地形分析以数字高程模型DEM为基础数据源，计算地形属性、提取地形要素，多角度定量解析地表形态的变化，为地学相关的科研与应用提供方法支持。在各类地形要素中，区域地形属性、地形结构线等得到了长期且细致的分析和研究。但山顶、鞍部、背坡、盆地等要素受限于语义模糊性、多尺度特征、空间支撑域不确定等难点困扰，自动提取方法成为数字地形分析研究的关注点。
目前的鞍部提取方法，多采用局部分析窗对其几何形态特征进行分析，通过计算分析窗中多种曲面因子及因子间相互关系进行鞍部点提取。例如，文献“熊礼阳,汤国安,宴实江.基于DEM的山地鞍部点分级提取方法[J].测绘科学,2013,38(2):181-183.”与文献“张维,汤国安,陶旸,等.基于DEM汇流模拟的鞍部点提取改进方法[J].测绘科学,2011,36(1):158-159.”研究设计了流域边界线上相对高程低点的鞍部点提取方法、汇流模型模拟特征线求交法；文献“孔月萍,易炜,张跃鹏.利用拓扑关系快速提取鞍部点[J].计算机工程与应用,2013,49(16):165-167.”则设计了分析剖分等高面间拓扑关系的鞍部点提取方法。这些方法的关键在于建立合适的地形要素分析邻域或拓扑关系描述模型，然而均不能关注鞍部点空间延展结构、要素语义等宏观与微观特征，通过建立鞍部特征的深度学习神经网络实现要素自动识别。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于深度卷积神经网络的鞍部点识别方法，该方法能够通过鞍部特征的深度学习神经网络对DEM数据中的鞍部点进行自动标识。
为达到上述目的，本发明所述的基于深度卷积神经网络的鞍部点识别方法包括以下步骤：
1)构建训练样本集，所述训练样本集由m+n幅DEM山地数据构成，其中，m＝n，n为包含鞍部区域的正样本数据集A＝{A1，A2，A3，…，An}，m为不包含鞍部区域的负样本数据集B＝{B1，B2，B3，…，Bm}，对DEM样本数据做矩形裁剪，标记正样本中的鞍部点坐标，并按照设定比例将正负样本数据划分为训练集及验证集；
2)分析鞍部的空间形态结构，建立改进的鞍部特征深度学习卷积神经网络模型；
3)设置训练改进的鞍部特征深度学习卷积神经网络模型所需的各种参数，所述各种参数包括目标函数、优化算法及损失函数，借助ImageNet数据集对Lenet-5网络模型进行预训练，直至该Lenet-5网络模型输出最优且达到稳定状态为止；利用预训练后的Lenet-5网络模型对改进的鞍部特征深度学习卷积神经网络模型进行初始化，再使用步骤1)得到的正样本数据的训练集及负样本数据的训练集对改进的鞍部特征深度学习卷积神经网络模型进行训练，使得改进的鞍部特征深度学习卷积神经网络模型能够对DEM数据中的潜在鞍部点进行自动识别，然后通过位置回归MLP网络对鞍部点坐标进行修正，确定初选鞍部点；
4)在初选鞍部点中选取识别概率大于设定阈值的threshold者作为最终鞍部点，提取该最终鞍部点的修正坐标，并将该最终鞍部点的修正坐标映射回原始DEM中，得最终的鞍部点标识图，完成基于深度卷积神经网络的鞍部点识别。
步骤1)的具体操作为：
11)从SRTM开源网站下载1:100万tiff格式的地形数据，再从中解析出DEM高程数据；
12)观察DEM中的地形高程值分布情况，裁剪出DEM山地数据；
13)读入DEM山地数据，根据鞍部的形态特征裁剪出完整的鞍部区域，并标记鞍部点的位置坐标，然后保存为深度神经网络可接受的excel格式，以形成训练样本集。
步骤2)的具体操作为：
改进的鞍部特征深度学习卷积神经网络模型包含1个输入层、2个卷积层、2个采样层、2个全连接层及1个Softmax分类层，其中，输入层、卷积层、采样层及全连接层采用矫正线性单元作为激活函数，卷积层、采样层及全连接层的权值参数和偏重参数通过预训练后的Lenet-5网络模型进行初始化；
将DEM数据直接输入到改进的鞍部特征深度学习卷积神经网络模型中，其中，第i层的卷积特征图ki如式(1)所示：
其中，Sx和Sy表示卷积核S的长度和宽度，ki-1表示第i卷积层的输入，wjn为卷积核中学习到的权值，bi为第i层滤波器的偏置，σ(·)为激活函数，σ(·)选用ReLU函数，ReLU函数的表达式为：
改进的鞍部特征深度学习卷积神经网络模型的池化层采用max pooling，池化层的输出为：
其中，R为采样尺度；
卷积层和池化层构成了一个分层的鞍部点特征提取器，通过多层叠加实现对鞍部区域浅层和深层特征的挖掘与学习；
将池化层的输出作为全连接层的输入，全连接层的输出为:
其中，选择ReLU作为激活函数σ(·)，
为第l-1层上的第i个节点和第l层上的第j个节点之间的权重，
为当前的偏置；
softmax层输出DEM格网点是潜在鞍部点的识别概率P(c|p)，其中，
其中，c为目标类别，L为最后一层的索引，NC为目标数。
步骤3)的具体操作为：
为使网络在训练过程中达到稳定状态，需要对网络的反向传播过程进行解析，其中，包括权重更新方式、损失函数的表达方式及控制梯度下降的优化算法选择；
反向传播从全连接层开始，进行式(6)所示的操作：
其中，E为损失函数，
为第l层
个单元到第l+1层
单元的权重，
为第l层
个单元到第l+1层
单元总的输入；
反向传播时，卷积层权重通过式(7)来进行调整，其中，
其中，
为非线性映射函数，
的值等于
等于
重复进行前向和后向传播过程，直到预测结果与真实结果之间的偏差达到最小；
对全连接层的权重进行L2正则化操作，即对于全连接层的全连接关系，通过对原有损失函数加入λ∑ww2惩罚项，以减少训练数据中噪点对网络拟合过程造成的影响，此时对权重为w的全连接层，其损失函数E的表达式为：
其中，E0为非正则化的损失函数，λ为权重衰减系数，1-ηλ为权重衰减因子，wi为学习率。
本发明具有以下有益效果：
本发明所述的基于深度卷积神经网络的鞍部点识别方法在具体操作时，先构建训练样本集，再分析鞍部的空间形态结构，建立改进的鞍部特征深度学习卷积神经网络模型，然后使用训练样本集对改进的鞍部特征深度学习卷积神经网络模型进行训练，再通过位置回归MLP网络对初选鞍部点的坐标进行修正，最后将修正后的鞍部坐标映射到原始DEM中，以得到鞍部点标识图，操作简单，便于实现，识别准确率较高。
附图说明
图1为本发明的流程图；
图2为本发明中改进的鞍部特征深度学习卷积神经网络模型的结构图；
图3为本发明中鞍部点位置回归网络MLP结构图；
图4a为本发明中测试数据Ⅰ的三维全景图；
图4b为本发明中测试数据Ⅰ的人工标定鞍部点图；
图4c为本发明在测试数据Ⅰ上的鞍部点标识结果图；
图4d为本发明中测试数据Ⅰ在“利用拓扑关系快速提取鞍部点方法”上的识别结果图；
图5a为测试数据Ⅱ的三维全景图；
图5b为对测试数据Ⅱ人工标定的鞍部点图；
图5c为本发明在测试数据Ⅱ上的鞍部点标识结果图；
图5d为测试数据Ⅱ在“利用拓扑关系快速提取鞍部点方法”上的识别结果图；
图6a为测试数据Ⅲ的三维全景图；
图6b为对测试数据Ⅲ人工标定的鞍部点图；
图6c为本发明在数据Ⅲ上的鞍部点自动标识结果图。
图6d为测试数据Ⅲ在“利用拓扑关系快速提取鞍部点方法”上的识别结果图；
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1，本发明所述的基于深度卷积神经网络的鞍部点识别方法包括以下步骤：
1)构建训练样本集，所述训练样本集由m+n幅DEM山地数据构成，其中，m＝n，n为包含鞍部区域的正样本数据集A＝{A1，A2，A3，…，An}，m为不包含鞍部区域的负样本数据集B＝{B1，B2，B3，…，Bm}，对DEM样本数据做矩形裁剪，标记正样本中的鞍部点坐标，并按照设定比例将正负样本数据划分为训练集及验证集；
步骤1)的具体操作为：
11)从SRTM开源网站下载1:100万tiff格式的地形数据，再从中解析出DEM高程数据；
12)观察DEM中的地形高程值分布情况，裁剪出DEM山地数据；
13)读入DEM山地数据，根据鞍部的形态特征裁剪出完整的鞍部区域，并标记鞍部点的位置坐标，然后保存为深度神经网络可接受的excel格式，以形成训练样本集。
具体的，从SRTM开源网站下载1:100万tiff格式的地形数据，从中解析出DEM高程数据，并转换为txt文本格式；
读入txt格式的数据，根据高程值的大小将地形数据渲染成灰度图，选择其中的高亮区域进行64×64格网的裁剪，获得代表山地的DEM数据块；
读入DEM山地数据块，根据鞍部的形态特征裁剪出6×6格网的完整鞍部区域，并标记鞍部点坐标，保存成深度神经网络可接受的excel格式，以形成样本数据集；
编写训练数据生成器，该训练数据生成器以6×6的标注鞍部区域为中心，选取周围6×6的DEM子图，即在每个DEM山地数据块中裁剪出6×6的9个子图，选取中心处包含鞍部点的1个子图记为正样本，遍历其余8个不包含鞍部点的周边子图，丢弃其中不满足6×6大小者，从剩下的子图中随机选择一张作为负样本；
2)分析鞍部的空间形态结构，建立改进的鞍部特征深度学习卷积神经网络模型；
步骤2)的具体操作为：
改进的鞍部特征深度学习卷积神经网络模型包含1个输入层、2个卷积层、2个采样层、2个全连接层及1个Softmax分类层，其中，输入层、卷积层、采样层及全连接层采用矫正线性单元作为激活函数，卷积层、采样层及全连接层的权值参数和偏重参数通过预训练后的Lenet-5网络模型进行初始化；
将DEM数据直接输入到改进的鞍部特征深度学习卷积神经网络模型中，其中，第i层的卷积特征图ki如式(1)所示：
其中，Sx和Sy表示卷积核S长度和宽度，ki-1表示第i卷积层的输入，wjn为卷积核中学习到的权值，bi为第i层滤波器的偏置，σ(·)为激活函数，σ(·)选用ReLU函数，ReLU函数的表达式为：
改进的鞍部特征深度学习卷积神经网络模型的池化层采用max pooling，池化层的输出为：
其中，R为采样尺度；
卷积层和池化层构成了一个分层的鞍部点特征提取器，通过多层叠加实现对鞍部区域浅层和深层特征的挖掘与学习；
将池化层的输出作为全连接层的输入，全连接层的输出为:
其中，选择ReLU作为激活函数σ(·)，
为第l-1层上的第i个节点和第l层上的第j个节点之间的权重，
为当前的偏置；
softmax层输出DEM格网点是潜在鞍部点的识别概率P(c|p)，其中，
其中，c为目标类别，L为最后一层的索引，NC为目标数。
3)设置训练改进的鞍部特征深度学习卷积神经网络模型所需的各种参数，所述各种参数包括目标函数、优化算法及损失函数，借助ImageNet数据集对Lenet-5网络模型进行预训练，直至该Lenet-5网络模型输出最优且达到稳定状态为止；利用预训练后的Lenet-5网络模型对改进的鞍部特征深度学习卷积神经网络模型进行初始化，再使用步骤1)得到的正样本数据的训练集及负样本数据的训练集对改进的鞍部特征深度学习卷积神经网络模型进行训练，使得改进的鞍部特征深度学习卷积神经网络模型能够对DEM数据中的潜在鞍部点进行自动识别，然后通过位置回归MLP网络对鞍部点坐标进行修正，确定初选鞍部点；
4)在初选鞍部点中选取识别概率大于设定阈值的threshold者作为最终鞍部点，提取该最终鞍部点的修正坐标，并将该最终鞍部点的修正坐标映射回原始DEM中，得最终的鞍部点标识图，完成基于深度卷积神经网络的鞍部点识别。
步骤3)的具体操作为：
为使网络在训练过程中达到稳定状态，需要对网络的反向传播过程进行解析，其中，包括权重更新方式、损失函数的表达方式、控制梯度下降的优化算法选择；
反向传播从全连接层开始，进行式(6)所示的操作：
其中，E为损失函数，
为第l层
个单元到第l+1层
单元的权重，
为第l层
个单元到第l+1层
单元总的输入；
反向传播时，卷积层权重通过式(7)来进行调整，其中，
其中，
为非线性映射函数，
的值等于
等于
重复进行前向和后向传播过程，直到预测结果与真实结果之间的偏差达到最小；
对全连接层的权重进行L2正则化操作，即对于全连接层的全连接关系，通过对原有损失函数加入λ∑ww2惩罚项，以减少训练数据中噪点对网络拟合过程造成的影响，此时对权重为w的全连接层，其损失函数E的表达式为：
其中，E0为非正则化的损失函数，λ为权重衰减系数，1-ηλ为权重衰减因子，wi为学习率。
先借助ImageNet数据集对Lenet-5网络模型进行预训练，直至Lenet-5网络模型输出最优且达到稳定状态，再将自建的正样本集及负样本集划分为训练集和验证集，按指定的批大小(batch_size＝32)遍历训练集，训练改进的鞍部特征深度学习卷积神经网络模型，通过设置训练次数及配置反向传播优化器等操作，完成对改进的鞍部特征深度学习卷积神经网络模型的训练，训练部分的具体实现如下Python程序所示：
当测试集在改进的鞍部特征深度学习卷积神经网络模型中测试准确率较高且网络达到稳定时，则进行鞍部坐标修正部分的训练，首先定义一个鞍部点坐标回归网络模型MLP，结构如图3所示，冻结CNN的各层参数，只训练MLP网络部分，与CNN网络训练相同，首先设置MLP的初始参数，同样选取Adam优化算法、均方误差为目标函数，以网络训练和测试过程中鞍部点预测与真实位置之间的偏差变化作为参考标准，判断网络是否达到稳定，MLP网络训练的Python程序如下所示：
完整网络的训练过程中，模型参数设置如表1：
表1
地貌的多样性及复杂性是影响地形要素准确提取的关键因素，以中国为例，我国地势西高东低，自西向东海拔高度呈现下降趋势，按照地势、地形的海拔高度变化将我国分为三大阶梯，第一阶梯为青藏高原地区，平均海拔高度H≥4500m，以青藏高原为起点绵延至太行山、巫山一带形成了我国地貌类型最为丰富的第二阶梯，平均海拔高度多在1000-2000米左右，而第三阶梯则以丘陵、低山以及平原为主，平均海拔多在500m以下，为验证本发明对不同地貌中鞍部点识别的有效性，选择1:100万SRTM-DEM中三大阶梯上的低山、中低山、高山数据块I、II、III进行自动标识测试。
表2
三个测试数据的三维全景分别如图4a、图5a及图6a所示，作为参照标准给出了3个数据上的鞍部点人工标注结果如图4b、图5b及图6b所示。本发明的自动标注结果如图4c、图5c及图6c，其中，红色点为网络提取的鞍部点。作为对比，运用“利用拓扑关系快速提取鞍部点方法”开展识别，结果如图4d、图5d及图6d，其中，黑色点为提取的鞍部点。
为了清晰起见，在本发明的标注结果图上标记正确提取的鞍部为A类点、误提的鞍部为B类点及漏提的鞍部为C类点。从实验结果可知，本发明标识的鞍部点，漏提、误提数目更少，识别出的鞍部点绝大多数符合鞍部区域的定性描述，位于两个山顶之间、山脊线和山谷线的交线区域。即使本发明误提的鞍部点，其周围态势也符合鞍部区域的形态特征，只是在精确定位时出现些许偏差，说明深度网络是以鞍部区域所呈现的形态和空间结构为主要特征进行的学习。本发明训练的深度神经网络仅使用了6000个鞍部样本数据；出现少量的鞍部点漏提，是因网络训练数据量不知，对未知鞍部区域态势变化的认知存在局限，这些现象可以通过增加训练样本数量加以弥补。
Claims (2)
1.一种基于深度卷积神经网络的鞍部点识别方法，其特征在于，包括以下步骤：
1)构建训练样本集，所述训练样本集由m+n幅DEM山地数据构成，其中，m＝n，n为包含鞍部区域的正样本数据集A＝{A1，A2，A3，…，An}，m为不包含鞍部区域的负样本数据集B＝{B1，B2，B3，…，Bm}，对DEM样本数据做矩形裁剪，标记正样本中的鞍部点坐标，并按照设定比例将正负样本数据划分为训练集及验证集；
2)分析鞍部的空间形态结构，建立改进的鞍部特征深度学习卷积神经网络模型；
3)设置训练改进的鞍部特征深度学习卷积神经网络模型所需的各种参数，所述各种参数包括目标函数、优化算法及损失函数，借助ImageNet数据集对Lenet-5网络模型进行预训练，直至该Lenet-5网络模型输出最优且达到稳定状态为止；利用预训练后的Lenet-5网络模型对改进的鞍部特征深度学习卷积神经网络模型进行初始化，再使用步骤1)得到的正样本数据的训练集及负样本数据的训练集对改进的鞍部特征深度学习卷积神经网络模型进行训练，使得改进的鞍部特征深度学习卷积神经网络模型能够对DEM数据中的潜在鞍部点进行自动识别，然后通过位置回归MLP网络对潜在鞍部点坐标进行修正，确定初选鞍部点；
4)在初选鞍部点中选取识别概率大于设定阈值的threshold者作为最终鞍部点，提取该最终鞍部点的修正坐标，并将该最终鞍部点的修正坐标映射回原始DEM中，得最终的鞍部点标识图，完成基于深度卷积神经网络的鞍部点识别；
步骤2)的具体操作为：
改进的鞍部特征深度学习卷积神经网络模型包含1个输入层、2个卷积层、2个采样层、2个全连接层及1个Softmax分类层，其中，输入层、卷积层、采样层及全连接层采用矫正线性单元作为激活函数，卷积层、采样层及全连接层的权值参数和偏重参数通过预训练后的Lenet-5网络模型进行初始化；
将DEM数据直接输入到改进的鞍部特征深度学习卷积神经网络模型中，其中，第i层的卷积特征图ki如式(1)所示：
其中，Sx和Sy表示卷积核S的长度和宽度，ki-1表示第i卷积层的输入，wjn为卷积核中学习到的权值，bi为第i层滤波器的偏置，σ(·)为激活函数，σ(·)选用ReLU函数，ReLU函数的表达式为：
改进的鞍部特征深度学习卷积神经网络模型的池化层采用max pooling，池化层的输出为：
其中，R为采样尺度；
卷积层和池化层构成了一个分层的鞍部点特征提取器，通过多层叠加实现对鞍部区域浅层和深层特征的挖掘与学习；
将池化层的输出作为全连接层的输入，全连接层的输出为:
其中，选择ReLU作为激活函数σ(·)，
为第l-1层上的第i个节点和第l层上的第j个节点之间的权重，
为当前的偏置；
softmax层输出DEM格网点是潜在鞍部点的识别概率P(c|p)，其中，
其中，c为目标类别，L为最后一层的索引，NC为目标数。
2.根据权利要求1所述的基于深度卷积神经网络的鞍部点识别方法，其特征在于，步骤1)的具体操作为：
11)从SRTM开源网站下载1:100万tiff格式的地形数据，再从中解析出DEM高程数据；
12)观察DEM中的地形高程值分布情况，裁剪出DEM山地数据；
13)读入DEM山地数据，根据鞍部的形态特征裁剪出完整的鞍部区域，并标记鞍部点的位置坐标，然后保存为深度神经网络可接受的excel格式，以形成训练样本集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910696431.9A CN110569871B (zh) | 2019-07-30 | 2019-07-30 | 一种基于深度卷积神经网络的鞍部点识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910696431.9A CN110569871B (zh) | 2019-07-30 | 2019-07-30 | 一种基于深度卷积神经网络的鞍部点识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110569871A CN110569871A (zh) | 2019-12-13 |
| CN110569871B true CN110569871B (zh) | 2022-09-30 |
Family
ID=68773068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910696431.9A Active CN110569871B (zh) | 2019-07-30 | 2019-07-30 | 一种基于深度卷积神经网络的鞍部点识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110569871B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113411106B (zh) * | 2021-05-31 | 2023-03-24 | 海南大学 | 安全空间调制***中基于深度学习的功率分配方法 |
| CN113283429B (zh) * | 2021-07-21 | 2021-09-21 | 四川泓宝润业工程技术有限公司 | 基于深度卷积神经网络的液位式表计读数方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567701A (zh) * | 2010-12-08 | 2012-07-11 | 中国科学院地理科学与资源研究所 | 一种利用霍夫变换在嫦娥dem数据上自动提取环形撞击坑的方法 |
| CN104156571A (zh) * | 2014-07-25 | 2014-11-19 | 山西潞安环保能源开发股份有限公司 | 分级自动检测主体山脉与水系的方法---方向导数小波变换 |
| CN104899865B (zh) * | 2015-05-04 | 2017-10-31 | 西安建筑科技大学 | 基于高斯尺度空间的山脉线提取方法 |
| CN106033611B (zh) * | 2016-05-23 | 2018-11-30 | 西安建筑科技大学 | 一种dem数据中的山顶点提取方法 |
| US10713566B2 (en) * | 2016-10-11 | 2020-07-14 | Siemens Aktiengesellschaft | Efficient calculations of negative curvature in a hessian free deep learning framework |
| CN107895370B (zh) * | 2017-11-29 | 2020-05-15 | 南京师范大学 | 一种基于等高线的鞍部点提取方法 |
| CN108510467B (zh) * | 2018-03-28 | 2022-04-08 | 西安电子科技大学 | 基于深度可变形卷积神经网络的sar图像目标识别方法 |
| CN109145171B (zh) * | 2018-07-23 | 2020-09-08 | 广州市城市规划勘测设计研究院 | 一种多尺度地图数据更新方法 |
| CN109739942B (zh) * | 2018-12-14 | 2020-10-16 | 南京泛在地理信息产业研究院有限公司 | 一种基于等高线模型的鞍部点提取方法 |
-
2019
- 2019-07-30 CN CN201910696431.9A patent/CN110569871B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110569871A (zh) | 2019-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
| CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
| CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
| CN113033520B (zh) | 一种基于深度学习的树木线虫病害木识别方法及*** | |
| CN108629288B (zh) | 一种手势识别模型训练方法、手势识别方法及*** | |
| CN110033008B (zh) | 一种基于模态变换与文本归纳的图像描述生成方法 | |
| CN110222767B (zh) | 基于嵌套神经网络和栅格地图的三维点云分类方法 | |
| CN112232371B (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
| CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
| CN110866494A (zh) | 一种基于光学遥感影像的城镇群提取方法及*** | |
| CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
| CN110569871B (zh) | 一种基于深度卷积神经网络的鞍部点识别方法 | |
| CN114445634A (zh) | 一种基于深度学习模型的海浪波高预测方法及*** | |
| CN112613375A (zh) | 一种轮胎受损检测识别方法和设备 | |
| CN109145971A (zh) | 基于改进匹配网络模型的单样本学习方法 | |
| CN116699096B (zh) | 一种基于深度学习的水质检测方法和*** | |
| CN114998220A (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
| CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
| CN112528845A (zh) | 一种基于深度学习的物理电路图识别方法及其应用 | |
| CN117079132A (zh) | 基于高斯距离损失的遥感图像目标检测方法 | |
| CN114119966A (zh) | 基于多视角学习与元学习的小样本目标检测方法 | |
| CN113989287A (zh) | 城市道路遥感图像分割方法、装置、电子设备和存储介质 | |
| CN113313094A (zh) | 一种基于卷积神经网络的车载图像目标检测方法和*** | |
| CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
| CN111414951A (zh) | 用于图像的细分类方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |