[论文解读] Deep Convolutional Neural Networks for Map-Type Classification

Xiran Zhou, Wenwen Li+2 more|arXiv (Cornell University)|May 26, 2018

Remote-Sensing Image Classification被引用 13

一句话总结

本文提出一种深度卷积神经网络（CNN）方法，通过从原始地图图像中端到端学习特征，实现对七种地图类型（如地形图、地貌图、地理图、城市景观图和3D地图等）的自动分类。该方法实现了最先进水平的分类准确率，表明深度学习能够有效捕捉地图的全局特征，促进制图理解，并推动地理人工智能（GeoAI）的发展。

ABSTRACT

Maps are an important medium that enable people to comprehensively understand the configuration of cultural activities and natural elements over different times and places. Although massive maps are available in the digital era, how to effectively and accurately access the required map remains a challenge today. Previous works partially related to map-type classification mainly focused on map comparison and map matching at the local scale. The features derived from local map areas might be insufficient to characterize map content. To facilitate establishing an automatic approach for accessing the needed map, this paper reports our investigation into using deep learning techniques to recognize seven types of map, including topographic map, terrain map, physical map, urban scene map, the National Map, 3D map, nighttime map, orthophoto map, and land cover classification map. Experimental results show that the state-of-the-art deep convolutional neural networks can support automatic map-type classification. Additionally, the classification accuracy varies according to different map-types. We hope our work can contribute to the implementation of deep learning techniques in cartographical community and advance the progress of Geographical Artificial Intelligence (GeoAI).

研究动机与目标

• 为了解决数字时代海量地图收藏存在但检索困难的问题，提升地图的高效获取能力。
• 克服以往基于局部特征的地图对比与匹配方法在捕捉地图全局语义方面的局限性。
• 开发一种基于数据驱动的自动分类方法，用于识别多种地图类型。
• 评估深度CNN在包括传统与专业地图类型在内的广泛地图类别上的性能表现。
• 推动深度学习在制图学界的应用，促进地理人工智能（GeoAI）的发展。

提出的方法

• 利用深度卷积神经网络（CNN）直接从原始地图图像中学习分层空间特征，无需手工设计特征。
• 采用迁移学习方法，使用预训练模型（如VGG、ResNet）并在自定义的七类地图数据集上进行微调。
• 应用数据增强技术以提高模型泛化能力，并减少在有限训练样本上的过拟合。
• 将输入地图作为RGB图像处理，采用全局平均池化和全连接层进行最终分类。
• 使用交叉熵损失函数和带有学习率调度的随机梯度下降法训练网络。
• 通过准确率、精确率、召回率和F1分数等标准指标，在所有地图类型上评估模型性能。

实验结果

研究问题

• RQ1 深度卷积神经网络能否仅基于视觉外观有效分类多种地图类型？
• RQ2 深度CNN在不同地图类型上的表现如何，特别是在区分地形图与地形图等细微差异时？
• RQ3 深度网络学习到的全局特征在地图类型分类中相比基于局部特征的方法，优势有多大？
• RQ4 从通用图像识别模型迁移学习是否能提升在有限地图专用数据集上的分类准确率？
• RQ5 数据增强和模型架构选择对地图类型分类的鲁棒性和泛化能力有何影响？

主要发现

• 所提出的深度CNN方法在七类地图类型上实现了最先进水平的分类准确率，优于基于局部特征的传统方法。
• 分类准确率因地图类型而异，其中正射影像图和土地覆盖图分类表现最佳。
• 模型展现出强大的泛化能力，尤其在基于ImageNet预训练网络进行微调后表现更优。
• 数据增强显著提升了模型的鲁棒性，尤其对稀有或视觉特征不明显的地图类型效果明显。
• 结果证实，深度网络学习到的全局上下文特征在地图类型识别中比局部特征更有效。
• 本研究为将深度学习整合到制图信息系统中奠定了基础，并推动了GeoAI应用的发展。