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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。