深度学习方法应用于深圳市多调合一工作的思考

doi:10.13474/j.cnki.11-2246.2021.0026

测绘通报 ›› 2021, Vol. 0 ›› Issue (1): 138-141.doi: 10.13474/j.cnki.11-2246.2021.0026

深度学习方法应用于深圳市多调合一工作的思考

孙薇^1,2, 李胜^1,2, 江鹢^1,2, 柯水松^1,2, 夏安科^1,2

1. 深圳市规划国土房产信息中心, 广东深圳 518034;
2. 深圳市空间地理信息中心, 广东深圳 518034

收稿日期:2020-11-16 发布日期:2021-02-08
通讯作者: 李胜。E-mail:shenglee@whu.edu.cn
作者简介:孙薇(1968-),女,硕士,高级工程师,从事规划管理、轨道交通规划管理及规划国土房产海洋信息化建设工作。E-mail:sunw@pnr.sz.gov.cn
基金资助:
国家重点研发计划（2018YFB2100705）

Reflection on the application of deep learning method in “multiple-investigation-coordination” in Shenzhen

SUN Wei^1,2, LI Sheng^1,2, JIANG Yi^1,2, KE Shuisong^1,2, XIA Anke^1,2

1. Shenzhen Municipal Planning & Land Real Estate Information Centre, Shenzhen 518034, China;
2. Shenzhen Geospatial Information Center, Shenzhen 518034, China

Received:2020-11-16 Published:2021-02-08

摘要/Abstract

摘要： 多调合一是实现调查成果数据融合，从源头上解决数据多样、数据冲突等问题的有效手段。该项工作的完成需要结合地区的实际情况，建立统一的调查监测评价体系，协同开展基础调查和专项调查工作。因此，首先需要在空间上保持基础调查单元划分的有效性，才能保证专项调查单元能够通过基础调查单元进行归并及获取；其次，需要在基础调查和专题调查中保证类别判定的准确性。本文结合深度学习方法在目前影像分类和目标识别等领域中的应用进展，对其在深圳市多调合一工作中的应用前景进行了思考，从减少人力物力的消耗、提高类别判定精度等多个角度进行了分析。随着深度学习方法的不断完善，未来其在自然资源调查领域的应用效果将会得到不断提升。

关键词: 多调合一, 基础调查, 专项调查, 深度学习, 影像分类, 目标识别

Abstract: Multiple-investigation-coordination is an effective method to achieve data fusion from varies kinds of investigation activities which solves the problem of heterogeneity and conflict of data source. The foundation of the work requires not only unified investigation and estimation system but also synchronously pushing forward the basic investigation and special investigation based on the local circumstances. As a result, to make sure the correctness of acquisition of investigate unit of special investigation, the first priority is to keep the validity of the basic unit division. Moreover, the correctness of classification in the both investigating activities should be guaranteed. In the paper, we consider the application prospect of deep learning method of image classification and object recognition in the “Multiple-investigation-coordination” works in Shenzhen in order to reduce the human labor compared with traditional outdoor investigating tasks and analyze how to improve the accuracy of the classification result. With the continuous improvement of deep learning method, the effectiveness of such method applied in the natural resource investigation activities will enhance constantly.

Key words: multiple-investigation-coordination, basic investigation, special investigation, deep learning, image classification, object recognition

中图分类号:

P208

孙薇, 李胜, 江鹢, 柯水松, 夏安科. 深度学习方法应用于深圳市多调合一工作的思考[J]. 测绘通报, 2021, 0(1): 138-141.

SUN Wei, LI Sheng, JIANG Yi, KE Shuisong, XIA Anke. Reflection on the application of deep learning method in “multiple-investigation-coordination” in Shenzhen[J]. Bulletin of Surveying and Mapping, 2021, 0(1): 138-141.

参考文献

[1] 李德仁,王密,胡芬. 利用我国高分辨率卫星影像监测北京市违章建筑[J]. 科学通报, 2009, 54(3):305.
[2] 李德仁,张良培,夏桂松. 遥感大数据自动分析与数据挖掘[J]. 测绘学报, 2014, 43(12):1211-1216.
[3] 季顺平,魏世清. 遥感影像建筑物提取的卷积神经元网络与开源数据集方法[J]. 测绘学报, 2019, 48(4):50-61.
[4] 李胜. 联合领域知识和深度学习的城市地表覆盖变化检测方法[D].武汉:武汉大学,2018.
[5] 王斌,范冬林. 深度学习在遥感影像分类与识别中的研究进展综述[J]. 测绘通报, 2019(2):99-102.
[6] 高常鑫, 桑农. 基于深度学习的高分辨率遥感影像目标检测[J]. 测绘通报, 2014(S1):108-111.
[7] 祝晓坤. 基于深度学习的WorldView-3城市目标分类应用研究[J]. 测绘通报, 2017(S2):40-43.
[8] MARMANIS D, DATCU M, ESCH T, et al. Deep learning earth observation classification using ImageNet pretrained networks[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 13(1):105-109.
[9] WAN L, ZHANG H, LIN G, et al. A small-patched convolutional neural network for mangrove mapping at species level using high-resolution remote-sensing image[J]. Annals of GIS, 2019, 25(1):45-55.
[10] ŠEVO I, AVRAMOVIC A. Convolutional neural network based automatic object detection on aerial images[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(5):740-744.
[11] MAGGIORI E, TARABALKA Y, CHARPIAT G, et al. Convolutional neural networks for large-scale remote-sensing image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 55(2):645-657.
[12] CHENG G, WANG Y, XU S, et al. Automatic road detection and centerline extraction via cascaded end-to-end convolutional neural network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(6):3322-3337.
[13] XIAO Z, GONG Y, LONG Y, et al. Airport detection based on a multiscale fusion feature for optical remote sensing images[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(9):1469-1473.
[14] CAI B, JIANG Z, ZHANG H, et al. Airport detection using end-to-end convolutional neural network with hard example mining[J]. Remote Sensing, 2017, 9(11):1198.
[15] GUO Z, SHAO X, XU Y, et al. Identification of village building via Google Earth images and supervised machine learning methods[J]. Remote Sensing, 2016, 8(4):271.

深度学习方法应用于深圳市多调合一工作的思考

Reflection on the application of deep learning method in “multiple-investigation-coordination” in Shenzhen

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]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[7]	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.
[8]	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.
[9]	孙琴琴, 蔡国印, 杨柳忠, 张宁, 杜明义. 城市尺度典型地表要素综合提取方法研究[J]. 测绘通报, 2022, 0(2): 62-66.
[10]	张自强, 刘涛, 杜萍, 锁旭宏, 杨国林. 图残差神经网络支持下的建筑物群组模式分类[J]. 测绘通报, 2022, 0(1): 1-7.
[11]	车子杰, 高飞, 吴兆福, 李振轩. 基于改进U-Net网络的多源遥感影像洪涝灾害信息提取与变化分析[J]. 测绘通报, 2022, 0(1): 26-32.
[12]	程瑞, 高建, 邢强, 孙中昶. 一种优化的Faster R-CNN小目标检测方法[J]. 测绘通报, 2021, 0(9): 21-27.
[13]	淳锦, 张新长, 郭海京, 张建国, 金诗程. 基于多源信息与深度学习特征提取的人口空间抽样方法[J]. 测绘通报, 2021, 0(8): 42-47.
[14]	李梓豪, 唐超. 基于高清工业相机的盾构隧道裂缝智能识别算法分析[J]. 测绘通报, 2021, 0(8): 83-87,101.
[15]	吴永静, 吴锦超, 林超, 窦宝成, 黎珂. 基于深度学习的高分辨率遥感影像光伏用地提取[J]. 测绘通报, 2021, 0(5): 96-101.