黄国航 薛翻琴 梁焕青

【摘 要】基于现实的业务需求并结合深度学习的方法，文章构建一个基于卷积神经网络构建的自动化识别细碎图斑模型，该模型能自动地从细碎图斑数据库中学习图斑特性。通过数据集上的实验验证，表明提出的深度神经网络可以有效地提取场景特征，并使训练出的场景模型具有较强的泛化性能和较高的分类准确率。

【关键词】GIS;深度学习;ResNet-50;MobileNet v2

【中图分类号】F391.41 【文献标识码】A 【文章编号】1674-0688（2020）10-0044-03

0 引言

近年来，学者们提出的一系列以卷积神经网络（CNNs）为基础的算法，在计算机视觉领域取得了丰硕的成果，深度学习在影像数据处理领域得到了快速的应用，是通用性计算机技术的自然延伸。与传统的特征提取的方式不同，基于深度学习的计算机视觉技术采用卷积神经网络（CNNs）的方法和生物神经网络思想，通过权值共享技术控制模型参数，实现自动提取浅层中的固有图像纹理特征，深层对特征进行融合，并通过不同的神经元输出特定任务的结果，因此判别性更强。

卷积神经网络的雏形于1998年由Yann Lecun[1]提出，在2012年的Imagenet图像识别大赛中，Krizhevsky等人[2]在Alexnet中引入全新的卷积深层结构和随机失活方法，取得了巨大的成功，AlexNet中包含几个比较新的技术点，在CNNs中成功应用了ReLU函数（线性整流函数）、Dropout（随机失活）和LRN（局部响应归一化层）等技巧，将深度学习的方法引入计算机当中。

进行自然资源类项目处理时，数据融合过程中会产生大量的细碎图斑，细碎图斑的产生主要有以下原因：{1}外业采集的时候本身就是面积小的细碎图斑;{2}采集精度产生细碎图斑;{3}在数据处理过程中存在不可避免的人为误差。……