攝影測量與深度學(xué)習(xí)之間會產(chǎn)生怎樣的”火花“

發(fā)布日期：2019-07-04 00:00 瀏覽量：10964

攝影測量學(xué)的誕生與深度學(xué)習(xí)的起源

攝影測量學(xué)是一門“利用光學(xué)像片研究被攝物體的形狀、位置、大小、特性及相互位置關(guān)系”的學(xué)科。攝影測量誕生于19世紀(jì)早期。1838年，物理學(xué)家惠斯頓發(fā)明了實體鏡，第一次發(fā)現(xiàn)和定義了立體視覺。1839年，法國畫家達(dá)蓋爾發(fā)明了銀版攝影法，并制作了世界上第一臺真正的照相機。在此基礎(chǔ)上，法國測量學(xué)家Fourcade首先發(fā)現(xiàn)了用立體照片可重建立體視覺，從而促成了攝影測量學(xué)的誕生。攝影測量的第一個也是最重要的分支是航空攝影測量。

深度學(xué)習(xí)起源于２０世紀(jì)中葉的人工智能。人工智能的兩個主要流派分別是符號主義（symbolism）和聯(lián)結(jié)主義（connectionism）。其中，符號主義者在1956年首次提出“人工智能”的概念，并統(tǒng)治了該領(lǐng)域近半個世紀(jì)；基于統(tǒng)計學(xué)習(xí)的思想被廣泛應(yīng)用于機器學(xué)習(xí)、計算機視覺，以及攝影測量與遙感。

攝影測量與深度學(xué)習(xí)及計算機視覺的聯(lián)系

深度學(xué)習(xí)的最重要應(yīng)用是在視覺圖像上，如手寫字體識別、自然圖像分類和檢索等。而攝影測量的研究對象就是視覺圖像，因此深度學(xué)習(xí)的成功和蓬勃發(fā)展，使得攝影測量也成為最受益的學(xué)科之一。

在語義上，攝影測量中的研究內(nèi)容就是采用智能方法為各行業(yè)提供專題圖。攝影測量的應(yīng)用特性使得它并不關(guān)心諸如特征描述、上下文關(guān)系等中間結(jié)果。這種端到端的模式（end-to-end ）特別適用深度學(xué)習(xí)方法。目前，深度學(xué)習(xí)已經(jīng)被廣泛用于遙感圖像的分類、識別、檢索和提取。與在幾何方面的欠佳表現(xiàn)不同，在語義上基本全面碾壓了傳統(tǒng)的方法。

1982年，Marr發(fā)表《視覺：從計算的視角研究人的視覺信息表達(dá)與處理》，是計算機視覺的開山之作。計算機視覺的最初研究：用計算機代替人眼，從圖片中重建3D世界。與攝影測量在幾何方面具有很高的重疊度。20世紀(jì)90年代，在語義方面計算機視覺開始蓬勃開展。其中運用了大量的機器學(xué)習(xí)知識。有學(xué)者分析指出機器學(xué)習(xí)與計算機視覺重疊度約在60％～70％，因此是非常緊密的兩門學(xué)科。

隨著深度學(xué)習(xí)成為機器學(xué)習(xí)的主流，深度學(xué)習(xí)在計算機視覺中得到廣泛應(yīng)用。將深度學(xué)習(xí)引入到攝影測量中，特別是提高攝影測量后期語義處理的智能水平，是科學(xué)研究發(fā)展的必然途徑。

深度學(xué)習(xí)在攝影測量語義方面的應(yīng)用

深度學(xué)習(xí)在遙感圖像語義提取方面的應(yīng)用剛剛起步并逐漸普及。以下將從各類地物語義專題圖出發(fā)，回顧深度學(xué)習(xí)的具體應(yīng)用。

遙感圖像建筑、道路網(wǎng)等地物的提取一直是數(shù)十年來的熱門課題。雖然經(jīng)典方法取得一定的效果，但距離實用、市場、商業(yè)軟件尚有一定的距離。ＣＮＮ目前正成為道路網(wǎng)提取的主流方法。通過級聯(lián)式端到端ＣＮＮ同時實現(xiàn)了道路網(wǎng)提取及道路中心線提取，與其他方法比較，達(dá)到了更高的分類精度。通過ＣＮＮ結(jié)合線積分卷積克服了樹木遮蔽、房屋陰影所造成的道路網(wǎng)殘缺問題。通過非監(jiān)督學(xué)習(xí)預(yù)處理和空間相關(guān)性的應(yīng)用，利用深度學(xué)習(xí)極大地提高了復(fù)雜城市場景的道路提取精度。均為使用深度學(xué)習(xí)的方法進行道路提取并取得了良好的效果。

建筑物、農(nóng)作物、水體等專題的提取相對道路而言較少，但預(yù)期會有許多相關(guān)文獻(xiàn)近期發(fā)表。采用ＣＮＮ實現(xiàn)高分辨率多光譜衛(wèi)星影像的建筑物提取。

首先采用AlexNet提取特征，最后的全連接層用于訓(xùn)練SVM分類器并采用MRF模型精化。作物精細(xì)分類是攝影測量與遙感在農(nóng)業(yè)中的重要應(yīng)用。在影像平面上進行2D卷積，在光譜方向上進行1D卷積，分別提取出影像空間特征和光譜特征，取得了比隨機森林和全連接MLP更好的作物分類精度。

為了從本質(zhì)上解決該問題，需要考慮兩點。

第一點是恰當(dāng)?shù)倪w移學(xué)習(xí)方法。目前ImageNet等龐大的數(shù)據(jù)庫來自大眾攝影圖像，并不包括鳥瞰航攝圖像和衛(wèi)星遙感圖像。照片的標(biāo)注諸如人、大象或椅子；遙感圖像中的標(biāo)注諸如耕地、建筑、森林等。若直接將這些數(shù)據(jù)庫訓(xùn)練得到的模型，用來進行遙感圖像直接分類，就要考慮遷移學(xué)習(xí)。遷移學(xué)習(xí)是將Ａ數(shù)據(jù)集中訓(xùn)練好的模型，應(yīng)用在Ｂ數(shù)據(jù)集上。Ａ與Ｂ可能是同源的，也可能存在巨大差異。這就要進一步發(fā)掘完善的遷移學(xué)習(xí)機制。

第二點是建立針對遙感圖像的開源的、完備的標(biāo)簽數(shù)據(jù)庫。涵蓋足夠多的地物類別，每個類別包括足夠多的樣本。這樣的數(shù)據(jù)庫是攝影測量與遙感走向“自動化專題制圖”的必經(jīng)之路。然而，實現(xiàn)難度要比千萬圖像級別的ImageNet更大。首先，由于遠(yuǎn)距成像的特性，圖像受到更多電磁輻射傳輸?shù)挠绊?。?jīng)過大氣傳播的電磁輻射與地物間的相互作用機理更加復(fù)雜，同一標(biāo)簽的樣本往往呈現(xiàn)明顯的差異。這種差異不但對樣本的選取造成不便，而且對深度學(xué)習(xí)模型的可區(qū)分性提出更大的挑戰(zhàn)。

第二，眾包模式并不能完全起作用。普通人可能很好地辨認(rèn)出的區(qū)別，因此通過互聯(lián)網(wǎng)眾包能夠快速構(gòu)建一個巨大的標(biāo)注數(shù)據(jù)庫；但是，小麥和水稻在遙感圖像上的差異，則需要專業(yè)人員的目視判讀。若影像分辨率較低，甚至可能需要實地調(diào)查。

第三，攝影測量與遙感界的科研模式尚需向開源發(fā)展。目前，遙感學(xué)界已經(jīng)開始走向開源模式，希望由公司、政府或科研機構(gòu)能夠在短期內(nèi)建立的針對遙感圖像分類的標(biāo)簽數(shù)據(jù)庫，并實現(xiàn)完全開源。有了足夠的數(shù)據(jù)標(biāo)簽庫或恰當(dāng)?shù)倪w移學(xué)習(xí)方法，并借助深度學(xué)習(xí)的泛化能力，可以預(yù)期未來攝影測量與遙感專題制圖的精度將比傳統(tǒng)的特征分類方法得到明顯的改進。

文章來源于網(wǎng)絡(luò)，由飛燕遙感www.vcwshop.com編輯。登載此文出于傳遞更多信息之目的，版權(quán)歸原作者及刊載媒體所有，如本文中圖片或文字侵犯您的權(quán)益，請聯(lián)系我們。