攝影測量與深度學習之間會產生怎樣的”火花“

發(fā)布日期：2019-07-04 00:00 瀏覽量：10958

攝影測量學的誕生與深度學習的起源

攝影測量學是一門“利用光學像片研究被攝物體的形狀、位置、大小、特性及相互位置關系”的學科。攝影測量誕生于19世紀早期。1838年，物理學家惠斯頓發(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。在此基礎上，法國測量學家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。

深度學習起源于２０世紀中葉的人工智能。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)治了該領域近半個世紀；基于統(tǒng)計學習的思想被廣泛應用于機器學習、計算機視覺，以及攝影測量與遙感。

攝影測量與深度學習及計算機視覺的聯(lián)系

深度學習的最重要應用是在視覺圖像上，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，因此深度學習的成功和蓬勃發(fā)展，使得攝影測量也成為最受益的學科之一。

在語義上，攝影測量中的研究內容就是采用智能方法為各行業(yè)提供專題圖。攝影測量的應用特性使得它并不關心諸如特征描述、上下文關系等中間結果。這種端到端的模式（end-to-end ）特別適用深度學習方法。目前，深度學習已經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習知識。有學者分析指出機器學習與計算機視覺重疊度約在60％～70％，因此是非常緊密的兩門學科。

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

深度學習在攝影測量語義方面的應用

深度學習在遙感圖像語義提取方面的應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)，回顧深度學習的具體應用。

遙感圖像建筑、道路網等地物的提取一直是數十年來的熱門課題。雖然經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)了道路網提取及道路中心線提取，與其他方法比較，達到了更高的分類精度。通過ＣＮＮ結合線積分卷積克服了樹木遮蔽、房屋陰影所造成的道路網殘缺問題。通過非監(jiān)督學習預處理和空間相關性的應用，利用深度學習極大地提高了復雜城市場景的道路提取精度。均為使用深度學習的方法進行道路提取并取得了良好的效果。

建筑物、農作物、水體等專題的提取相對道路而言較少，但預期會有許多相關文獻近期發(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練SVM分類器并采用MRF模型精化。作物精細分類是攝影測量與遙感在農業(yè)中的重要應用。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。

為了從本質上解決該問題，需要考慮兩點。

第一點是恰當的遷移學習方法。目前ImageNet等龐大的數據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。照片的標注諸如人、大象或椅子；遙感圖像中的標注諸如耕地、建筑、森林等。若直接將這些數據庫訓練得到的模型，用來進行遙感圖像直接分類，就要考慮遷移學習。遷移學習是將Ａ數據集中訓練好的模型，應用在Ｂ數據集上。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)掘完善的遷移學習機制。

第二點是建立針對遙感圖像的開源的、完備的標簽數據庫。涵蓋足夠多的地物類別，每個類別包括足夠多的樣本。這樣的數據庫是攝影測量與遙感走向“自動化專題制圖”的必經之路。然而，實現(xiàn)難度要比千萬圖像級別的ImageNet更大。首先，由于遠距成像的特性，圖像受到更多電磁輻射傳輸的影響。經過大氣傳播的電磁輻射與地物間的相互作用機理更加復雜，同一標簽的樣本往往呈現(xiàn)明顯的差異。這種差異不但對樣本的選取造成不便，而且對深度學習模型的可區(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出的區(qū)別，因此通過互聯(lián)網眾包能夠快速構建一個巨大的標注數據庫；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，遙感學界已經開始走向開源模式，希望由公司、政府或科研機構能夠在短期內建立的針對遙感圖像分類的標簽數據庫，并實現(xiàn)完全開源。有了足夠的數據標簽庫或恰當的遷移學習方法，并借助深度學習的泛化能力，可以預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。

文章來源于網絡，由飛燕遙感www.b-2-a.com編輯。登載此文出于傳遞更多信息之目的，版權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益，請聯(lián)系我們。