中地數碼MapGIS深度學習流程工具全面升級，AI+GIS迎來新突破-魔扣目錄

深度學習是機器學習中一種基于對數據進行表征學習的算法，也是現階段人工智能技術研究的核心問題，它使得機器模仿人類的視聽和思考活動，解決了很多復雜的模式識別難題。在我們日常生活中，小到抖音短視頻個性化推薦、智能語音助手、手機拍照濾鏡，大到自動機器翻譯、自動駕駛汽車，深度學習的身影實際上已是隨處可見。而當GIS具備深度學習的能力之后，將會給空間地理信息的應用帶來哪些變化？國產軟件MapGIS在深度學習技術上的探索，給我們帶來了答案。

基于語義分割、影像分類、目標檢測和實例分割，MapGIS深度學習功能為用戶提供了從數據制作到模型訓練，以及基于訓練的模型進行場景推理的一整套流程工具。近期，MapGIS全面升級深度學習工具，迎來了AI+GIS的技術融合的新突破！

MapGIS深度學習工具

深度學習流程全面升級，帶來全新體驗

本次MapGIS深度學習工具在數據準備、模型構建和模型應用三大流程上都做了細致的優化和升級，在數據準備階段升級數據增強算法，通過隨機掩膜等方式來進行數據增強，提升數據樣本的多樣性；在模型構建上新增了Efficient Net， Attention Unet，Deeplabv3，Transformer，YOLOv4等模型，豐富了模型庫；在模型應用上增加了推理結果后處理算法，通過結果后處理精細化模型預測結果。

深度學習功能流程圖

1、數據準備

數據準備主要分為兩個部分：第一部分是數據的獲取與準備，數據可以通過外野采集的方式或根據歷史積累的原始數據經過數據清理、預處理和格式轉化等方式獲得；第二部分是利用經過處理的數據生成數據集：將原始數據轉化為影像數據和標簽數據兩個部分。為了獲得更好的模型泛化能力，數據集提供了內置的自適應數據增強算法對數據進行增強處理。以道路提取為例，首先在數據準備階段不僅僅需要包含感興趣區域的影像數據，還需要包含道路的矢量文件(或與影像數據分辨率相同的柵格標簽文件)。

2、模型構建與管理

模型構建與管理，即基于前期數據準備過程中生成的訓練數據樣本，訓練神經網絡模型，同時通過驗證集和測試集對訓練模型進行不斷的迭代評估，以達到實際的應用準確度和精準度要求。如下圖所示為MapGIS深度學習功能訓練流程：

模型訓練流程

MapGIS默認提供基于Faster-RCNN 模型進行影像目標檢測，也可根據具體的應用場景，選用更適合的深度學習網絡模型進行影像目標檢測。依照模型訓練的周期時長，MapGIS提供支持短周期模型訓練的MapGIS桌面端訓練工具和支持長周期模型訓練的MapGIS Web端服務方式訓練工具。如下圖為MapGIS桌面端的模型訓練工具：

深度學習Unet模型訓練工具

3、模型發布與應用

MapGIS 提供的模型應用引擎支持CPU 和GPU 兩種計算模式，推薦使用GPU 模式。通過MapGIS 深度學習工具可以提供包括目標檢測、語義分割、地物分類、影像分類等功能覆蓋，同時可通過MapGIS Web端機器學習模塊實現服務發布，通過組件或Web 多種方式進行功能實現模型應用。

GIS+AI，創新地理空間應用場景

在傳統機器學習技術的基礎上，GIS 與機器學習的融合更關注空間維度的元素，這個空間維度通常采用形狀、密度、鄰接性、空間分布或接近度的度量形式，進而將地理空間的概念納入到機器學習中，提供更加豐富的人工智能功能。由于當前大數據范疇中，80%都包含或者隱藏包含空間信息，所以當前很多GIS領域的應用場景都將在深度學習等人工智能技術的加持下得到創新性變化。MapGIS深度學習工具在巖性識別、建筑物提取、無人機檢測車輛、二元變化檢測等方向都有較好的應用效果。

1、巖性識別

MapGIS基于高層視覺信息，提供了深度網絡模型殘差網絡(resnet)等30多種網絡用于提取圖像的抽象語義信息，無需人工取特征，經過充分訓練后的網絡分類效果也比較理想。影像分類不僅僅可以用于較大尺度的分類任務，如城市局部氣候區分類等，還可以以圖片為單位對相類似圖片進行區分，例如根據給定巖石圖片進行巖性識別，如下圖為灰白石泡流紋巖石的識別結果：

巖性識別

2、建筑物提取

利用MapGIS深度學習工具的影像分割功能，可以實現建筑物提取。下圖為某地區的建筑物二元分類的結果，可將提取結果自動矢量化成建筑矢量面，從而得到建筑位置和矢量邊界的信息。

基于二元分類建筑物對象提取結果示意圖

3、無人機檢測車輛

在MapGIS深度學習工具中，目標檢測使用深度學習算法對遙感圖像中的一個或多個目標的類別和位置進行自動化判定與識別，并以矢量框的形式作為標記，確定其類別和位置。采用深度學習的方法，改進影像數據目標檢測的過程，針對遙感圖像上常見的同類目標大小不一的情況，優化對小目標的識別能力，以達到更好的檢測結果。整個過程只需要輸入一幅影像和確定識別目標類別，就能快速獲得興趣目標的矢量數據。下圖為無人機拍攝某區域的車輛目標檢測結果，紅色框為檢測出來的車輛，可以快速準確定位車輛分布、位置及數量，為車輛管理、車輛管控等領域提供基本的數據支撐。