Page 184 - 测绘新技术的理论与实践研究

测绘新技术的理论与实践研究

四、基于深度学习的自动提取

人工神经网络（Articial Ncural Network，ANN）是众多机器学习算法中比较

接近生物神经网络特性的数学模型。人工神经网络通过模拟生物神经网络（大脑）
的结构和功能，由大量的节点（也称“神经元”或“单元”）相互连接构成，可
以用来对数据之间的复杂关系进行建模。
神经网络在层次深的情况下，求解容易陷入局部最优，且这种情况随着网络

层数的增加而更加严重，所以只能转而处理浅层结构（小于等于 3），从而限制
了性能。浅层结构模型的共同特点是对于原始的输入信号只经过较少层次的线性
或者非线性处理来达到信号与信息处理的目的。但是对于一些复杂的信号，采用
浅层的结构模型其表达能力具有一定的局限性，浅层模型输入和输出中间是有限

的线性或者非线性变换组合，并不能充分的学习到信号中复杂的结构信息。所以，
在有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其
泛化能力受到一定的制约。更重要的是，浅层模型需要依靠人工来抽取样本的特

征。然而，手工地选取特征是一件非常费力的事情，能不能选取好很大程度上靠
经验和运气。
深度学习通过学习一种深层非线性网络结构，只需简单的网络结构即可实现
复杂函数的逼近，并展现了强大的从大量无标注样本集中学习数据集本质特征的

能力。深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练
数据，来学习更有用的特征，从而最终提升分类或预测的准确性。区别于传统的
浅层学习，深度学习的不同在于：一是强调了模型结构的深度，通常有 5 层、6 层，

甚至 l0 多层的隐层节点；二是明确突出了特征学习的重要性，也就是说，通过
逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类
或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更
能够刻画数据的丰富内在信息。

（一）卷积神经网络
一个典型的神经网络的结构是全连接的，即某一层的某个节点与上一层的每
个节点相连，且每个节点各自使用一套参数，这样的结构就是经典的全连接结构。

但是，全连接神经网络不适用于图像识别，主要存在以下几个问题：
1. 参数数量太多
考虑一个输入 1000×1000 像素的图像，输入层有 1000×1000=100 万节

172