基于深度学习的地理图像空间信息自动标记方法

With the popularity of mobile internet, portable video and GPS (Global Positioning System) equipment, image data with geographic information have increased dramatically on the Internet. With big data technologies, based on the massive images with geographic information, geotagging image is urgently needed in image and video geographic information system. Focusing on above problems, this project aims at constructing a deep learning method that is integrated with domain knowledge. Different from existing retrieval methods that depend on the global features of image, this project considers the difference of contributions of various types of topography and surface features, and fulfils the geotagging assignment by constructing the cascade reasoning model based on the recognition results. The key issues of this project are: detection and deep representation of semantic image objects, the autonomous labeled method for weak labeled training samples based on manifold learning, active deep learning method with domain knowledge. This project enriches and develops the theory of deep learning, as well as solves the problem of geotagging image.

随着移动互联网络以及便携式摄录、定位设备的普及，携带地理信息的图像数据在互联网上急遽增加。利用这些巨量的图像及其地理信息，借助大数据技术对目标图像定位，是图像视频地理信息系统的迫切需要。本项目围绕上述问题开展研究，将领域知识与机械式深度学习充分融合，构建具有强泛化能力的深度学习原理框架。与现有检索方法注重图像全局特征不同，本研究充分考虑了不同类型特征地物对空间定位贡献的差异，并根据对它们的识别结果进行综合推理，进而完成空间信息的标注。项目重点研究了地理图像语义对象检测与深度表示，基于流形学习的弱标注学习样本的自动标注方法，领域知识支撑的主动式深度学习等关键技术，在解决空间信息标注的同时，丰富和发展了深度学习理论和方法。

随着移动互联网的快速普及，海量具有位置信息特别是街景地图的图像数据急速聚集，可供用户方便地对特定目标位置的地形地貌、道路交通等进行直观规划与情景预演。如何根据图像内容获得其地理信息，并进而获取对应位置周边的自然信息、社会信息成为迫切研究的焦点问题。项目针对图像地理信息自主标注关键技术：地理图像的特征描述与度量、特征匹配和聚类分类、目标函数的优化等开展深入研究。提出了基于流形结构的地理信息标注方法，通过提取图像视觉特征重构地理图像的流形结构，建立相同地理位置不同视角图像的内部关联以共享携带信息，利用主动学习策略以及增量式训练，提升地理信息标注方法的泛化能力。提出了概念分解的半监督方法研究，通过把约束对作为奖惩项引入到概念分解框架中，使得那些在原空间中属于同一类的数据点在低维的转换空间仍然属于同一类，提升了算法特征学习的能力。提出了基于邻域保持概念分解的半监督特征学习方法研究，该方法在概念分解的框架中，使用约束对信息和与不变性相关的信息来提高学习性能，得到的特征表示可以更好地刻画原始数据。提出了基于张量树的特征学习理论框架研究，揭示了经典张量分解如Tucker分解和CP 分解与张量树学习理论的关系，并给出了张量树特征学习算法框架下的邻域嵌入张量学习新算法。进一步地，在判别邻域嵌入方法的基础上提出了邻域嵌入的张量学习方法，该方法不仅克服了判别邻域嵌入可能导致的“维数灾难”和“小样本问题”，而且使得低维子空间同类顶点更加紧凑，不同类顶点更加疏远，提升了算法的判别性能。提出了可变邻域蝙蝠优化算法，利用经典蝙蝠算法搜索整个空间，而后利用可变邻域搜索在可能的小的搜索区域内最优解，提升了算法性能。提出了在极限学习器基础上自适应的极限学习器，总是从神经网络的隐含层选择最合适的神经元数目，其训练过程不需要调整任何参数，自适应的极限学习器在解决分类问题中有更快的学习速度和较好的泛化性能。提出了二元君主蝴蝶优化算法，用于解决0 - 1背包问题。用实值向量和二进制矢量组成的二元组表示二元君主蝴蝶优化算法中的帝王蝶个体，实值向量构成搜索空间，而二进制向量形成解空间，针对不可行解的修正和可行解的优化问题，使用了新的基于贪心策略的修复算子，显著提升了算法性能。