《基於深度學習的地理圖像空間信息自動標記方法》是依託江蘇師範大學，由路梅擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於深度學習的地理圖像空間信息自動標記方法
- 項目類別：青年科學基金項目
- 項目負責人：路梅
- 依託單位：江蘇師範大學
項目摘要,結題摘要,
項目摘要
隨著移動網際網路以及攜帶型攝錄、定位設備的普及，攜帶地理信息的圖像數據在網際網路上急遽增加。利用這些巨量的圖像及其地理信息，藉助大數據技術對目標圖像定位，是圖像視頻地理信息系統的迫切需要。本項目圍繞上述問題開展研究，將領域知識與機械式深度學習充分融合，構建具有強泛化能力的深度學習原理框架。與現有檢索方法注重圖像全局特徵不同，本研究充分考慮了不同類型特徵地物對空間定位貢獻的差異，並根據對它們的識別結果進行綜合推理，進而完成空間信息的標註。項目重點研究了地理圖像語義對象檢測與深度表示，基於流形學習的弱標註學習樣本的自動標註方法，領域知識支撐的主動式深度學習等關鍵技術，在解決空間信息標註的同時，豐富和發展了深度學習理論和方法。
結題摘要
隨著移動網際網路的快速普及，海量具有位置信息特別是街景地圖的圖像數據急速聚集，可供用戶方便地對特定目標位置的地形地貌、道路交通等進行直觀規劃與情景預演。如何根據圖像內容獲得其地理信息，並進而獲取對應位置周邊的自然信息、社會信息成為迫切研究的焦點問題。項目針對圖像地理信息自主標註關鍵技術：地理圖像的特徵描述與度量、特徵匹配和聚類分類、目標函式的最佳化等開展深入研究。提出了基於流形結構的地理信息標註方法，通過提取圖像視覺特徵重構地理圖像的流形結構，建立相同地理位置不同視角圖像的內部關聯以共享攜帶信息，利用主動學習策略以及增量式訓練，提升地理信息標註方法的泛化能力。提出了概念分解的半監督方法研究，通過把約束對作為獎懲項引入到概念分解框架中，使得那些在原空間中屬於同一類的數據點在低維的轉換空間仍然屬於同一類，提升了算法特徵學習的能力。提出了基於鄰域保持概念分解的半監督特徵學習方法研究，該方法在概念分解的框架中，使用約束對信息和與不變性相關的信息來提高學習性能，得到的特徵表示可以更好地刻畫原始數據。提出了基於張量樹的特徵學習理論框架研究，揭示了經典張量分解如Tucker分解和CP 分解與張量樹學習理論的關係，並給出了張量樹特徵學習算法框架下的鄰域嵌入張量學習新算法。進一步地，在判別鄰域嵌入方法的基礎上提出了鄰域嵌入的張量學習方法，該方法不僅克服了判別鄰域嵌入可能導致的“維數災難”和“小樣本問題”，而且使得低維子空間同類頂點更加緊湊，不同類頂點更加疏遠，提升了算法的判別性能。提出了可變鄰域蝙蝠最佳化算法，利用經典蝙蝠算法搜尋整個空間，而後利用可變鄰域搜尋在可能的小的搜尋區域內最優解，提升了算法性能。提出了在極限學習器基礎上自適應的極限學習器，總是從神經網路的隱含層選擇最合適的神經元數目，其訓練過程不需要調整任何參數，自適應的極限學習器在解決分類問題中有更快的學習速度和較好的泛化性能。提出了二元君主蝴蝶最佳化算法，用於解決0 - 1背包問題。用實值向量和二進制矢量組成的二元組表示二元君主蝴蝶最佳化算法中的帝王蝶個體，實值向量構成搜尋空間，而二進制向量形成解空間，針對不可行解的修正和可行解的最佳化問題，使用了新的基於貪心策略的修復運算元，顯著提升了算法性能。
