王麗 張秀民 趙洪霞

山東省國(guó)土測(cè)繪院 山東 濟(jì)南 250013

引言

中國(guó)地圖作為一種現(xiàn)代化的地理信息和空間信息的表現(xiàn)[1]，與人民群眾的生活出行以及工作密不可分。國(guó)家版圖是一個(gè)國(guó)家行使主權(quán)和管轄權(quán)的疆域[2]。“問(wèn)題地圖”主要指存在危害國(guó)家主權(quán)統(tǒng)一、領(lǐng)土完整、安全和利益等嚴(yán)重問(wèn)題的地圖，不符合我國(guó)的公開(kāi)地圖的產(chǎn)品要求，嚴(yán)重違反了我國(guó)的主權(quán)和領(lǐng)土完整性，因此問(wèn)題地圖的監(jiān)管是地理信息管理部門一項(xiàng)重要的工作職責(zé)。

1 地圖監(jiān)管中常見(jiàn)的問(wèn)題

隨著互聯(lián)網(wǎng)的快速發(fā)展，地圖應(yīng)用服務(wù)亦隨之不斷迅速發(fā)展，由于一些單位和個(gè)人的國(guó)家版圖意識(shí)不足導(dǎo)致各種問(wèn)題地圖屢禁不止，部分網(wǎng)站或者網(wǎng)民通過(guò)國(guó)外網(wǎng)站下載使用損害我國(guó)領(lǐng)土主權(quán)和海洋權(quán)益的“問(wèn)題地圖”，包括錯(cuò)繪我國(guó)國(guó)界線，漏繪我國(guó)重要島嶼，登載敏感甚至涉密地理信息等，極大地?fù)p害了國(guó)家領(lǐng)土主權(quán)、安全和利益。本文所指的“問(wèn)題地圖”主要指以下幾個(gè)方面的錯(cuò)誤：①阿克賽欽地區(qū)國(guó)界線繪制；②藏南地區(qū)國(guó)界線繪制；③漏繪或錯(cuò)繪南海諸島各島點(diǎn)；④漏繪或錯(cuò)繪釣魚(yú)島、赤尾嶼；⑤臺(tái)灣省底色設(shè)置與大陸不一致等[3]。

2 MobileNet網(wǎng)絡(luò)模型

2.1 卷積神經(jīng)網(wǎng)絡(luò)的原理和特點(diǎn)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種具有局部連接、權(quán)重共享等特性的深層前饋神經(jīng)網(wǎng)絡(luò)，其核心是卷積運(yùn)算。CNN通過(guò)減少連接數(shù)量、共享權(quán)重和下采樣來(lái)減少參數(shù)個(gè)數(shù)。CNN的每層中的神經(jīng)元以三維方式排列，從而將三維輸入變換為三維輸出。每層中的神經(jīng)元學(xué)習(xí)原始輸入的非線性組合即特征提取。這些激活層成為下一個(gè)層的輸入。最后，學(xué)習(xí)到的特征成為網(wǎng)絡(luò)末尾的分類器或回歸函數(shù)的輸入。在定義網(wǎng)絡(luò)的各層后，通過(guò)準(zhǔn)備好的訓(xùn)練數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。CNN由多個(gè)層組成，輸入層實(shí)現(xiàn)將圖像輸入到網(wǎng)絡(luò)并應(yīng)用數(shù)據(jù)歸一化，卷積層其中的濾波器和步幅層在掃描圖像的同時(shí)學(xué)習(xí)由這些區(qū)域所局部化的特征，濾波器對(duì)輸入進(jìn)行卷積，卷積層是構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的核心層，卷積層的數(shù)量取決于數(shù)據(jù)的量和復(fù)現(xiàn)性。池化層通過(guò)將輸入劃分為矩形池化區(qū)域并計(jì)算每個(gè)區(qū)域的最大值或均值來(lái)執(zhí)行下采樣，其自身不執(zhí)行任何學(xué)習(xí)，但可減少要在后續(xù)層中學(xué)習(xí)的參數(shù)的數(shù)量。池化層按照一定的步長(zhǎng)在水平和垂直方向掃描輸入，池化相當(dāng)于又進(jìn)行了一次特征提取，從而更進(jìn)一步獲取更高層、更抽象的信息，可使網(wǎng)絡(luò)能夠容忍輸入的微小變化，從而提高了泛化性，防止過(guò)擬合。全連接層將輸入乘以權(quán)重矩陣，然后添加偏置向量。對(duì)于分類問(wèn)題，網(wǎng)絡(luò)的最后一個(gè)全連接層的輸出參數(shù)等于數(shù)據(jù)集的類的數(shù)目，其將所有學(xué)習(xí)到的特征組合在一起來(lái)對(duì)圖像進(jìn)行分類。

2.2 經(jīng)典的MOBILENET模型

卷積神經(jīng)網(wǎng)絡(luò)的一個(gè)重要特點(diǎn)就是參數(shù)多計(jì)算量大，模型結(jié)構(gòu)對(duì)與模型耗時(shí)的影響如圖1所示。

圖1 不同層的GPU和CPU的時(shí)間消耗對(duì)比

圖1是AlexNet網(wǎng)絡(luò)中不同層的GPU和CPU的時(shí)間消耗，不管是在GPU還是在CPU運(yùn)行，最耗時(shí)的就是卷積層，想要提高網(wǎng)絡(luò)的運(yùn)行速度，就得到提高卷積層的計(jì)算效率。

MobileNet的提出就是為了能夠減少參數(shù)數(shù)量和計(jì)算量，MobileNetv1采用了深度可分離卷積來(lái)提高卷積層的計(jì)算效率，如圖2所示。

圖2 深度可分離卷積實(shí)現(xiàn)

深度可分離卷積被證明是輕量化網(wǎng)絡(luò)的有效設(shè)計(jì)，是MobileNet的核心模塊，其由深度卷積和逐點(diǎn)卷積構(gòu)成。對(duì)比于標(biāo)準(zhǔn)卷積，深度卷積可以在不改變輸入特征圖像深度的狀況下,獲得和輸入特征圖像通道數(shù)一致的輸出特征圖。逐點(diǎn)卷積就是1×1卷積，其主要作用就是對(duì)特征圖像進(jìn)行升維和降維操作。

3 網(wǎng)絡(luò)圖片的智能分類識(shí)別方法實(shí)現(xiàn)

為了實(shí)現(xiàn)“問(wèn)題地圖”識(shí)別，首先要從海量網(wǎng)絡(luò)圖片中快速高效地識(shí)別出地圖圖片[4]，在這個(gè)任務(wù)中，我們假設(shè)每張圖像只包含一個(gè)對(duì)象，采用圖像二分類技術(shù)進(jìn)行圖片分類。本研究應(yīng)用主要將MobileNetV1模型改造為二分類卷積神經(jīng)網(wǎng)絡(luò)模型，以實(shí)現(xiàn)地圖圖片的快速識(shí)別。

3.1 MobileNetv1體系結(jié)構(gòu)上的遷移學(xué)習(xí)

通過(guò)查看MobileNetV1模型的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，它先經(jīng)過(guò)簡(jiǎn)單的順序卷積層，然后再將其輸出傳遞到一組最終的分類層，這些分類層確定了1000個(gè)類別的輸出，我們的地圖識(shí)別僅僅需要2個(gè)類別的識(shí)別即可，因此需要對(duì)分類層進(jìn)行改造。首先我們從幾十個(gè)政務(wù)網(wǎng)站收集整理了兩類圖片作為樣本圖像基本不屬于MobileNet預(yù)先訓(xùn)練類別的圖像，一類是地圖圖片，一類是其他圖片，分別下載了2000幅左右，分別定義為1和0類別標(biāo)簽，然后導(dǎo)入TensorFlow，開(kāi)始基于預(yù)先訓(xùn)練的MobileNetv1模型訓(xùn)練我們的自定義對(duì)象識(shí)別模型。我們?cè)赿ropout層之前攔截該模型，將新的分類層附加到頂部，然后僅訓(xùn)練這些層以僅預(yù)測(cè)兩個(gè)類別1（地圖）與0（非地圖），這樣就保持了預(yù)先訓(xùn)練的空間層完整性。加載經(jīng)過(guò)預(yù)先訓(xùn)練的MobileNet模型后，我們可以找到瓶頸層并創(chuàng)建一個(gè)新的、被截?cái)嗟幕灸Ｐ?凍結(jié)所有卷積基層以保留模型的訓(xùn)練，這樣就可以再利用已經(jīng)放入模型這一塊中的所有處理能力，然后，我們可以將由多層全連接層組成的自定義分類頭附加到基礎(chǔ)模型的輸出，通過(guò)降維、攤平數(shù)據(jù)、設(shè)置全連接層、激活函數(shù)，以訓(xùn)練成新的TensorFlow模型。最終的全連接層（密集層）僅包含兩個(gè)單位，分別對(duì)應(yīng)于地圖與非地圖類別，并使用softmax激活函數(shù)將輸出的總和標(biāo)準(zhǔn)化為等于1.0，這意味著我們可以將每個(gè)預(yù)測(cè)類別用作模型的預(yù)測(cè)置信度值。在我們的自定義訓(xùn)練數(shù)據(jù)上訓(xùn)練我們的新TensorFlow模型，得益于MobileNet的精巧以及它所有的預(yù)培訓(xùn)，這次我們僅需要訓(xùn)練10個(gè)epoch，普通PC電腦用時(shí)不到20分鐘就訓(xùn)練完畢。我們隨機(jī)分別選取了100余幅地圖和非地圖圖片進(jìn)行識(shí)別效果評(píng)估，評(píng)估結(jié)果為：Loss = 0.6102；Accuracy =0.78947，受限于樣本數(shù)量和電腦硬件條件訓(xùn)練出的模型，其識(shí)別效果還是非常理想的。

3.2 MobileNet網(wǎng)絡(luò)模型技術(shù)運(yùn)用前后的對(duì)比圖

在MobileNet卷積神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用之前，大量圖片需要人工判斷是否地圖，然后再進(jìn)行是否“問(wèn)題地圖”的識(shí)別，通過(guò)該技術(shù)的應(yīng)用，對(duì)海量圖片進(jìn)行智能化的篩選，大大提高了工作效率，是目前對(duì)“問(wèn)題地圖”這一系列問(wèn)題審核中較方便快捷方法之一，下一步可以將該模型應(yīng)用于手機(jī)等嵌入式設(shè)備系統(tǒng)。

4 結(jié)束語(yǔ)

本文提出一種基于MobileNetv1模型改進(jìn)構(gòu)建的地圖二分類識(shí)別模型，可快速高效的實(shí)現(xiàn)網(wǎng)絡(luò)地圖圖片的快速自動(dòng)識(shí)別。我們基于該技術(shù)開(kāi)發(fā)的互聯(lián)網(wǎng)地圖識(shí)別系統(tǒng)，大大提高了網(wǎng)絡(luò)圖片的地圖目標(biāo)識(shí)別能力，采用具有CUDA深度神經(jīng)網(wǎng)絡(luò)庫(kù)硬件加速的普通PC電腦其識(shí)別單幅圖像的平均用時(shí)為0.36s，目標(biāo)識(shí)別的準(zhǔn)確率(accuracy)達(dá)78%，該方法基于MobileNetv1實(shí)現(xiàn)，雖然其識(shí)別精度低于ResNet等模型，實(shí)際應(yīng)用中也取得了不錯(cuò)的效果，本文還希望起到一種拋磚引玉的作用。