MapGIS深度学习流程工具全面升级，AI+GIS迎来新突破

深度学习是机器学习中一种基于对数据进行表征学习的算法，也是现阶段人工智能技术研究的核心问题，它使得机器模仿人类的视听和思考活动，解决了很多复杂的模式识别难题。在我们日常生活中，小到抖音短视频个性化推荐、智能语音助手、手机拍照滤镜，大到自动机器翻译、自动驾驶汽车，深度学习的身影实际上已是随处可见。而当GIS具备深度学习的能力之后，将会给空间地理信息的应用带来哪些变化？国产软件MapGIS在深度学习技术上的探索，给我们带来了答案。

数据准备主要分为两个部分：第一部分是数据的获取与准备，数据可以通过外野采集的方式或根据历史积累的原始数据经过数据清理、预处理和格式转化等方式获得；第二部分是利用经过处理的数据生成数据集：将原始数据转化为影像数据和标签数据两个部分。为了获得更好的模型泛化能力，数据集提供了内置的自适应数据增强算法对数据进行增强处理。以道路提取为例，首先在数据准备阶段不仅仅需要包含感兴趣区域的影像数据，还需要包含道路的矢量文件(或与影像数据分辨率相同的栅格标签文件)。

2.模型构建与管理

模型构建与管理，即基于前期数据准备过程中生成的训练数据样本，训练神经网络模型，同时通过验证集和测试集对训练模型进行不断的迭代评估，以达到实际的应用准确度和精准度要求。如下图所示为MapGIS深度学习功能训练流程：

MapGIS 提供的模型应用引擎支持CPU 和GPU 两种计算模式，推荐使用GPU 模式。通过MapGIS 深度学习工具可以提供包括目标检测、语义分割、地物分类、影像分类等功能覆盖，同时可通过MapGIS Web端机器学习模块实现服务发布，通过组件或Web 多种方式进行功能实现模型应用。

MapGIS基于高层视觉信息，提供了深度网络模型残差网络(resnet)等30多种网络用于提取图像的抽象语义信息，无需人工取特征，经过充分训练后的网络分类效果也比较理想。影像分类不仅仅可以用于较大尺度的分类任务，如城市局部气候区分类等，还可以以图片为单位对相类似图片进行区分，例如根据给定岩石图片进行岩性识别，如下图为灰白石泡流纹岩石的识别结果：

利用MapGIS深度学习工具的影像分割功能，可以实现建筑物提取。下图为某地区的建筑物二元分类的结果，可将提取结果自动矢量化成建筑矢量面，从而得到建筑位置和矢量边界的信息。

在MapGIS深度学习工具中，目标检测使用深度学习算法对遥感图像中的一个或多个目标的类别和位置进行自动化判定与识别，并以矢量框的形式作为标记，确定其类别和位置。采用深度学习的方法，改进影像数据目标检测的过程，针对遥感图像上常见的同类目标大小不一的情况，优化对小目标的识别能力，以达到更好的检测结果。整个过程只需要输入一幅影像和确定识别目标类别，就能快速获得兴趣目标的矢量数据。下图为无人机拍摄某区域的车辆目标检测结果，红色框为检测出来的车辆，可以快速准确定位车辆分布、位置及数量，为车辆管理、车辆管控等领域提供基本的数据支撑。

二元变化检测是指对输入的两年份影像进行二值运算(即是否发生变化)，基于像素级分类后输出结果，主要应用为土地利用变化等方面。如图所示，基于MapGIS深度学习工具二元变化检测所做出的城市建筑物变化检测的结果图。