一种基于空间认知学习的图像地理标注方法技术

本发明专利技术请求保护一种基于空间认知学习的图像地理标注方法,涉及深度学习及图像分类标注领域。该方法包括：对图像进行预处理，使训练集和验证集符合深度学习工具的输入格式；利用深度学习工具构建卷积神经网络，使用全局平均池化层学习图像特征的空间分布；使用训练集进行端到端的训练，使网络自动学习图像的地理特征，在训练过程修改网络的参数，使全局平均池化层对地理特征有高的敏感度；保存训练模型并用验证集对模型进行验证；使用保存好的训练模型对新的测试对象进行计算，得到图像的地理标注。本发明专利技术从输入图像中自动地学习图像中的地理特征，避免了人工选取特征的干扰，在大规模的图像地理特征学习任务中实现了自动、高效的特征学习。

An image geographic annotation method based on spatial cognitive learning

The present invention requests an image geographic annotation method based on spatial cognitive learning, which relates to the field of deep learning and image classification and annotation. The method includes: image preprocessing, the training set and validation set with the input format deep learning tools; using the depth construction of convolutional neural network learning tool, using the global average pool distribution layer learning image feature space; the use of the training set of end-to-end training, make the network automatic learning geography image features and modify the parameters of the network during the training process, the global average pool layer geographical features of high sensitivity; save the training model and the model is validated by the test set; using the training model for the calculation of well preserved objects measuring new image, geographical marking. The method can automatically learn the geographical features of the image from the input image, thus avoiding the interference of manually selected features, and realizing the automatic and efficient feature learning in the large-scale image geographical feature learning task.

【技术实现步骤摘要】
一种基于空间认知学习的图像地理标注方法
本专利技术属于深度学习及图像分类标注领域，具体涉及一种基基于空间认知学习的图像地理标注方法。
技术介绍
图像标注，即依据图像中所包含的图像特征来完成对图像内容的自动标注，是图像检索的一种重要的实现方式。相比于对图像低层内容如颜色、形状和纹理的索引和检索，图像标注能够实现对图像内容的索引，跨越了计算机所依赖的底层特征和人类对图像语义理解的语义鸿沟问题，使得图像能够像文本一样被索引和检索，在医学、遥感、建筑、购物等领域都有实际的应用需求。随着近年来互联网技术的发展，大规模的带有标签的数据集的出现、计算机硬件的发展等因素，使得机器学习有了质的飞跃，其中的一个代表是深度学习。与传统的浅层学习相比，深度学习的网络层次更深、网络更大，其特征学习能力和表达能力更强，使用深度学习的算法训练出的网络模型在计算机视觉的多个识别任务中取得了令人惊叹的成绩。深度卷积神经网络作为深度学习广泛运用的一种模型结构，在学习图像特征的任务上，有着得天独厚的优势。自然图像的一个重要固有特征是图像的平移不变性，即从图像的一个位置学习到的特征可以被运用到图像中的其他位置，在不同的图像中，这种特性依然存在。在卷积神经网络中，网络利用卷积核对图像进行卷积操作，在图像中的不同位置学习不同的参数值以学习不同的特征，利用不同的卷积核的组合来学习图像中隐含的图像特征。现有的关于图像地理标注的研究中，地理标注的产生大多基于已有的地理线索(如GPS信息、地理位置等)，并在已有线索的基础上挖掘图像和地理线索中隐含的各种信息。然而，很少有研究关注地理图像的内容本身中对于地理特征的表达和学习。因此，本专利技术专注于从地理图像中学习地理特征的表达，避免了手工选取特征的干扰，从大规模图像中自动、高效地学习地理特征，并最终完成图像的地理标注。
技术实现思路
本专利技术旨在解决以上现有技术的问题。提出了一种避免了人工选取特征的干扰，在大规模的图像地理特征学习任务中实现了自动、高效的特征学习的基于空间认知学习的图像地理标注方法。本专利技术的技术方案如下：一种基于空间认知学习的图像地理标注方法，其包括以下步骤：101、对所采集的大规模图像数据进行预处理，使训练集和验证集符合深度学习工具的输入格式；102、利用深度学习工具构建卷积神经网络，使用全局平均池化层学习图像特征的空间分布；103、使用训练集对卷积神经网络进行端到端的训练，使网络自动学习图像的地理特征，在训练过程修改网络的参数，使全局平均池化层对地理特征所在区域的模型参数权重高于其他区域；104、保存训练好的模型并用验证集对模型的正确率进行验证；105、使用保存好的训练模型对新的测试对象进行正确率计算，得到图像的地理标注。进一步的，所述步骤101采集的图像数据集包含对已知的图像地理特征的正确标注，表现为文件标签或标注，所采集的图像包含多个不同的地理特征类别。进一步的，所述将图像分为训练集和验证集的方法是随机选取同一类别图像的70％组成训练集，剩余的30％组成验证集，对图像进行处理的步骤包括裁剪、图像缩放、图像翻转、对图像色彩进行失真操作，以保证图像的输入大小能被卷积神经网络处理。进一步的，所述步骤102在深度学习工具下构建深度卷积神经网络，根据所设计的深度卷积神经网络的结构，搭建网络从输入到输出的迭代模型，并设置网络中间隐藏层的层数、每一层的功能、每层中包含的卷积核大小和数量、每一层的激活函数，选择同时适当的学习率大小、学习率下降算法、误差优化算法、参数更新算法。进一步的，在卷积神经网络的构建过程中，将全局平局池化层作为地理特征空间认知学习器加入到网络，使其处于最后的分类层之前，代替卷积神经网络中常用的全连接层。进一步的，所述步骤103将处理好的训练集图像导入卷积神经网络模型中，驱动模型进行端到端的迭代训练，在训练过程中，网络中各隐藏层自动地学习输入图像的地理特征，并根据误差优化算法自动地调整卷积核的参数和权重，在网络参数调整过程中，全局平局池化层根据学习到的图像特征在空间上的分布，将地理特征所在区域的权重进行特别设置，使其权重高于图像中的其他区域，实现对图像地理特征的空间认知学习。进一步的，所述步骤104保存训练好的模型并用验证集对模型的正确率进行验证，具体包括；在不断的迭代训练网络模型过程中，模型的训练误差逐渐减小到一个设定值时，结束模型的训练，利用深度学习工具相应的工具包，将训练得到的网络模型和参数全部保存下来，使用处理好的验证集对已保存的网络模型进行准确率验证，得到模型对于验证集图像识别的准确率，从而得到网络模型对于图像地理标注的准确率。进一步的，使用保存好的训练模型对新的测试对象进行正确率计算，得到图像的地理标注，具体包括：使用新的图像作为测试对象，将其输入已保存的卷积神经网络模型中进行计算，卷积神经网络模型根据图像计算出的在分类层中的概率值得到的结果是5个带有百分比的地理标签，其中百分比最高的标签即为模型自动计算出的该图像的地理标签，从而完成了图像的地理标注任务。本专利技术的优点及有益效果如下：本专利技术根据图像固有的特征的平移不变性，本专利技术利用已有标签的地理图像，在深度学习的思想下，结合对图像特征的空间认知学习，挖掘图像中地理特征的在图像中的空间分布，通过端到端的网络模型训练过程调整网络的参数并着重强调图像地理特征所在区域的参数权重值，使网络结构对于地理特征有特别的敏感度。相比于已有的通过手工选取图像地理特征来进行标注的方法，本专利技术提出的方法能从输入图像中自动化地学习图像中的地理特征，避免了人工选取特征的干扰，在大规模的图像地理特征学习任务中实现了自动、高效的特征学习，并给出图像相应的地理标注，为地理图像的搜索、获取等任务带来了新的研究思路。附图说明图1是本专利技术提供优选实施例的的基于空间认知学习实现图像地理标注的方法的流程图；图2是图像预处理的步骤。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本专利技术的一部分实施例。本专利技术解决上述技术问题的技术方案是：针对已有的技术中缺少一种对图像地理标注的有效的自动标注方法，本专利技术的目的在于提供一种基于空间认知学习的图像地理标注方法，利用深度学习的思想，结合对图像特征的空间认知学习，用于自动化地学习图像中的地理特征和特征在图像中的空间分布，实现图像的地理特征标注任务，本专利技术的技术方案如下：一种基于空间认知学习的图像地理标注方法，所述空间认知学习在于识别出图像中的地理特征在图像中的位置，使该区域在图像中具有相比于其他区域更大的权重，以突出图像的地理特征，使最终的标注更倾向于图像的地理特征，其包括以下步骤：S1、对所采集的图像数据集进行图像预处理，将图像分为训练集和验证集，使所有图像的格式符合深度学习工具的输入格式，使图像的大小、形状、色彩符合卷积神经网络的结构；S2、利用深度学习工具构建一个对空间认知有学习力的卷积神经网络，使用全局平均池化层对图像特征的空间分布进行学习，卷积神经网络的卷积层和池化层提取输入图像的地理特征，利用这些学习到的图像特征作为图像地理标注的基础和依据；S3、使用训练集，通过深度学习的工具进行端到端的卷积神经网络迭代训练，在训练过程中调整网络中的参数和全局平均本文档来自技高网...

【技术保护点】
一种基于空间认知学习的图像地理标注方法，其特征在于，包括以下步骤：101、对所采集的大规模图像数据进行预处理，使训练集和验证集符合深度学习工具的输入格式；102、利用深度学习工具构建卷积神经网络，使用全局平均池化层学习图像特征的空间分布；103、使用训练集对卷积神经网络进行端到端的训练，使网络自动学习图像的地理特征，在训练过程修改网络的参数，使全局平均池化层对地理特征所在区域的模型参数权重高于其他区域；104、保存训练好的模型并用验证集对模型的正确率进行验证；105、使用保存好的训练模型对新的测试对象进行正确率计算，得到图像的地理标注。

【技术特征摘要】
1.一种基于空间认知学习的图像地理标注方法，其特征在于，包括以下步骤：101、对所采集的大规模图像数据进行预处理，使训练集和验证集符合深度学习工具的输入格式；102、利用深度学习工具构建卷积神经网络，使用全局平均池化层学习图像特征的空间分布；103、使用训练集对卷积神经网络进行端到端的训练，使网络自动学习图像的地理特征，在训练过程修改网络的参数，使全局平均池化层对地理特征所在区域的模型参数权重高于其他区域；104、保存训练好的模型并用验证集对模型的正确率进行验证；105、使用保存好的训练模型对新的测试对象进行正确率计算，得到图像的地理标注。2.根据权利要求1所述的基于空间认知学习的图像地理标注方法，其特征在于，所述步骤101采集的图像数据集包含对已知的图像地理特征的正确标注，表现为文件标签或标注，所采集的图像包含多个不同的地理特征类别。3.根据权利要求2所述的基于空间认知学习的图像地理标注方法，其特征在于，所述将图像分为训练集和验证集的方法是随机选取同一类别图像的70％组成训练集，剩余的30％组成验证集，对图像进行处理的步骤包括裁剪、图像缩放、图像翻转、对图像色彩进行失真操作，以保证图像的输入大小能被卷积神经网络处理。4.根据权利要求1-3之一所述的基于空间认知学习的图像地理标注方法，其特征在于，所述步骤102在深度学习工具下构建深度卷积神经网络，根据所设计的深度卷积神经网络的结构，搭建网络从输入到输出的迭代模型，并设置网络中间隐藏层的层数、每一层的功能、每层中包含的卷积核大小和数量、每一层的激活函数，选择同时适当的学习率大小、学习率下降算法、误差优化算法、参数更新算法。5.根据权利要求4所述的基于空间认知学习的图...

【专利技术属性】
技术研发人员：丰江帆，徐欣，夏英，胡家鹏，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50