Page 212 - 新时期测绘工程测量技术研究

·新时期测绘工程测量技术研究·
/// Research on Measurement Technique in Surveying and Mapping Engineering in the New Era ////

依赖算法设计者的经验。目前的研究进展已经有能力训练一个深度网络，根据目

标任务的不同来选取不同的特征，实现了人工智能方法和实践上的突破。2012 年，
在 ImageNet 挑战赛中，深度学习的方法夺得第一，并一举超过传统机器学习方
法 10 个百分点；而第二至第四名相差不超过 1%，显示了传统方法的天花板。随
后的大量实验表明，无论在图像分类、物体识别、语音识别、遥感应用等关于学

习和语义的研究领域，深度学习都占据上风，深度学习的时代由此开启。
除了自然语言处理（NLP）以外，深度学习最重要的应用是在视觉图像上，
如手写字体识别、自然图像分类和目标检索等等。深度学习在计算机视觉领域得

到广泛应用，推动了人脸识别、机器人和无人驾驶车等相关技术的蓬勃发展。由
于摄影测量的研究对象也是视觉图像，因此摄影测量也成为深度学习发展最受益
的学科之一。
摄影测量的两个主要任务是目标几何定位和属性的提取，包括从二维像片重

建三维几何以及地物要素分类。将深度学习应用于几何定位目前还未进入摄影测
量研究领域，但已经出现在密切相关的计算机视觉领域，如 SfM 与 SLAM。然而，
深度学习方法的定位精度目前尚不能同传统的方法相比，约相差一个数量级。对

于三维重建中的关键技术——密集匹配，深度学习已经取得很好的应用效果。如
在 KITTI 等标准数据集上，前 10 名的方法都是深度学习方法，展现了深度学习
方法的应用潜力。

深度学习在摄影测量领域的另一个主要任务，即影像的语义提取方面，则取
得了重要进展，并开始普及应用。基于图像的建筑、道路网等地物的提取数十年
来一直是热门课题。虽然经典方法取得一定的效果，但距离实用、市场、商业软

件尚有一定的距离。卷积神经网络（CNN）目前已成为道路网提取的主流方法。
目前，深度学习已经广泛用于遥感图像的分类、识别、检索和提取，在语义
上基本全面碾压了传统的方法。基于深度学习的方法除了可有效地用于遥感影像
的地物分类与目标检索以外，在其他摄影测量与遥感数据处理方面也有广泛用途。

例如，胡翔云等采用深度学习方法进行激光雷达（LiDAR）点云数据处理。山地
林区的点云数据滤波，从点云数据提取数字高程模型，自动化很难实现，一般需
要人机交互作业，耗费大量人力物力。目前该小组采用机器学习方法，在人机交

互作业过程中进行训练，学习到知识，然后再应用于点云数据的自动处理中，自
动处理的准确率达到 95% 以上，大大提高了作业效率。同理，深度学习方法在

200