深度学习支持下的地图图片典型地理目标检测

doi:10.13474/j.cnki.11-2246.2022.0328

测绘通报 ›› 2022, Vol. 0 ›› Issue (11): 74-78.doi: 10.13474/j.cnki.11-2246.2022.0328

深度学习支持下的地图图片典型地理目标检测

王铮^1,2, 符校³, 杜凯旋⁴, 刘纪平², 车向红²

1. 浙江省测绘科学技术研究院, 浙江杭州 311100;
2. 中国测绘科学研究院, 北京 100036;
3. 广东省测绘产品质量监督检验中心, 广东广州 510075;
4. 武汉大学资源与环境科学学院, 湖北武汉 430079

收稿日期:2021-12-14 修回日期:2022-09-21 发布日期:2022-12-08
通讯作者: 符校,E-mail:176001689@qq.com
作者简介:王铮(1992-),男,硕士,主要研究方向为地理信息系统。E-mail:303448372@qq.com
基金资助:
国家自然科学基金(41901379);浙江省自然资源厅2022年科技项目(2022-52);广东省自然资源厅测绘产品质量监督检验管理系统项目(DG-2020-10-0535);国家重点研发计划(2017YFB050360103)

Detection of typical geographic object in maps based on deep learning

WANG Zheng^1,2, FU Xiao³, DU Kaixuan⁴, LIU Jiping², CHE Xianghong²

1. Zhejiang Academy of Surveying and Mapping, Hangzhou 311100, China;
2. Chinese Academy of Surveying and Mapping, Beijing 100036, China;
3. Guangdong Surveying and Mapping Product Quality Supervision and Inspection Center, Guangzhou 510075, China;
4. Faculty of Resources and Environment, Wuhan University, Wuhan 430079, China

Received:2021-12-14 Revised:2022-09-21 Published:2022-12-08

摘要/Abstract

摘要： 针对地图图片中典型地理目标识别问题,本文首先介绍了两种基于深度学习的目标检测方法(YOLO网络和采用focal loss替换交叉熵损失函数的RetinaNet网络),然后将地图图片分别输入两种神经网络模型中进行训练和测试,最后对目标检测结果进行对比分析。结果表明,RetinaNet网络模型对地图图片进行目标检测的准确率有明显提高,且运行速度依然可达秒级。该地理目标检测方法的高准确度与高效性可在地图审查时节约大量人力、时间成本,为地图内容智能理解及互联网地图监管提供了新的技术参考。

关键词: 地理目标检测, 深度学习, 卷积神经网络, YOLO网络, RetinaNet网络

Abstract: Aiming at the problem of typical geographic target recognition in maps, this paper introduces two object detection methods based on deep learning: YOLO and RetinaNet which replaces cross entropy loss function with focal loss. Images are input into two neural network models for training and testing, and object detection results are compared and analyzed. The results show that the RetinaNet model has significantly improved the accuracy of object detection on maps, and the running speed is still up to seconds. The high accuracy and efficiency of the geographic object detection method can save a lot of manpower and time costs during map review, providing a new technical reference for intelligent understanding of map content and Internet map supervision.

Key words: geographic object detection, deep learning, convolutional neural network, YOLO, RetinaNet

中图分类号:

P208

王铮, 符校, 杜凯旋, 刘纪平, 车向红. 深度学习支持下的地图图片典型地理目标检测[J]. 测绘通报, 2022, 0(11): 74-78.

WANG Zheng, FU Xiao, DU Kaixuan, LIU Jiping, CHE Xianghong. Detection of typical geographic object in maps based on deep learning[J]. Bulletin of Surveying and Mapping, 2022, 0(11): 74-78.

参考文献

[1] 王家耀,成毅.论地图学的属性和地图的价值[J].测绘学报,2015,44(3):237-241.
[2] 崔腾腾,刘纪平,罗安.一种卷积神经网络的地图图片智能识别方法[J].测绘科学,2019,44(1):118-123.
[3] 黄龙.一种快速挖掘互联网问题地图图片的方法[J].测绘与空间地理信息,2017,40(11):92-93.
[4] 王延朝,陈张建,李爱勤,等.数字化转型背景下的政务办事地图[J].测绘通报,2021(3):142-146.
[5] 陈超,齐峰.卷积神经网络的发展及其在计算机视觉领域中的应用综述[J].计算机科学,2019,46(3):63-73.
[6] 张引,陈敏,廖小飞.大数据应用的现状与展望[J].计算机研究与发展,2013,50(S2):216-233.
[7] 李振伟,张涛,孙明国.星空背景下空间目标的快速识别与精密定位[J].光学精密工程,2015,23(2):589-599.
[8] 周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017,40(6):1229-1251.
[9] 张顺,龚怡宏,王进军.深度卷积神经网络的发展及其在计算机视觉领域的应用[J].计算机学报,2019,42(3):453-482.
[10] 方志文,刘青山,周峰.基于像素-目标级共生关系学习的多标签航拍图像分类方法[J].南京大学学报(自然科学),2021,57(2):208-216.
[11] HUBEL D H,WIESEL T N.Receptive fields,binocular interaction and functional architecture in the cat's visual cortex[J].The Journal of Physiology,1962,160(1):106-154.
[12] GIRSHICK R,DONAHUE J,DARRELL T,et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition.Columbus,OH:IEEE.2014:580-587.
[13] HE Kaiming,ZHANG Xiangyu,REN Shaoqing,et al.Spatial pyramid pooling in deep convolutional networks for visual recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2015,37(9):1904-1916.
[14] GIRSHICK R.Fast R-CNN[C]//Proceedings of 2015 IEEE International Conference on Computer Vision.Santiago:IEEE.2015:1440-1448.
[15] REDMON J,DIVVALA S,GIRSHICK R,et al.You only look once:unified,real-time object detection[C]//Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas,NV,USA.IEEE:779-788.
[16] LIU WEI,ANGUELOV D,ERHAN D,et al.SSD:single shot MultiBox detector[EB/OL].[2021-11-10].https://arxiv.org/abs/1512.02325.
[17] LIN T Y,GOYAL P,GIRSHICK R,et al.Focal loss for dense object detection[J].2017 IEEE International Conference on Computer Vision (ICCV),2017:2999-3007.
[18] 任加新,刘万增,李志林,等.利用卷积神经网络进行"问题地图"智能检测[J].武汉大学学报(信息科学版),2021,46(4):570-577.

深度学习支持下的地图图片典型地理目标检测

Detection of typical geographic object in maps based on deep learning

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	吴真真, 唐超, 杨晓飞. 基于深度学习的视频识别及动态监测技术应用[J]. 测绘通报, 2022, 0(9): 23-28.
[2]	田有良, 樊廷立, 唐超. 面向地铁隧道表面渗漏水的快速检测技术[J]. 测绘通报, 2022, 0(9): 29-33.
[3]	钱建国, 张宇琦, 汤圣君, 王伟玺, 李晓明. 最小割与深度学习联合优化的室内粘连点云分割方法[J]. 测绘通报, 2022, 0(9): 45-51.
[4]	冯炜明, 张新长, 孙颖, 姜明, 甘巧, 侯幸幸. 融合Transformer结构的高分辨率遥感影像变化检测网络[J]. 测绘通报, 2022, 0(8): 36-40,92.
[5]	黄宇鸿, 周维勋. 高分辨率遥感影像场景变化检测的相似度方法[J]. 测绘通报, 2022, 0(8): 48-53.
[6]	柳林, 孙毅, 李万武. 基于CNN海上钻井平台检测模型的构建及训练算法分析[J]. 测绘通报, 2022, 0(7): 26-32,99.
[7]	刘立, 董先敏, 刘娟, 文学虎. 人机融合智能的遥感解译生产新方法[J]. 测绘通报, 2022, 0(7): 118-123,137.
[8]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[9]	滕文鑫, 张建辰, 邵杰. 集成时空邻近与卷积网络车道级高精度定位算法[J]. 测绘通报, 2022, 0(6): 1-5,61.
[10]	文奴, 郭仁忠, 贺彪, 万远. YOLO v4框架下Multi-Patch多帧增量式交通视频目标检测[J]. 测绘通报, 2022, 0(5): 38-44.
[11]	张晋赫, 秦育罗, 张在岩, 宋伟东, 朱洪波. 复杂场景下农村道路裂缝分割方法[J]. 测绘通报, 2022, 0(5): 74-78,88.
[12]	师芸, 石龙龙, 牛敏杰, 赵侃. 基于单阶段实例分割网络的黄土滑坡多任务自动识别[J]. 测绘通报, 2022, 0(4): 26-31.
[13]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[14]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[15]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.