2 机器学习及其在摄影测量与遥感领域的应用
当前人工智能发展的一个重要方向是机器学习。从1955年John McCarthy提出人工智能的概念以来，机器学习就作为人工智能的一个重要方向。机器学习的基本原理是寻找某种函数，能从数据与类别之间得到正确或最佳的映射。基于统计学习的思想不仅长期应用于机器学习，在摄影测量与遥感领域也得到广泛应用，如监督和非监督目标识别与分类方法。基于传统统计学习的遥感影像的监督与非监督分类以及经典的神经元网络方法的研究进展一直很慢，目标识别的准确度和分类精度难以大幅提高，机器学习有效地改变了这一现状。
2006年，Hinton的研究表明，采用一种逐层的贪心算法可实现深度神经元网络的训练[14]，深度学习的概念由此浮出水面。深度学习算法的突破来自于LeCun Yann、Bengio Yoshua和Hinton Geoffrey 3位科学家在深度卷积网络方面的杰出工作。他们通过多层的深度卷积处理抽取图像的抽象特征，而这原本深度依赖算法设计者的经验。目前的研究进展已经有能力训练一个深度网络，根据目标任务的不同来选取不同的特征，实现了人工智能方法和实践上的突破。2012年，在ImageNet挑战赛中，深度学习的方法夺得第一，并一举超过传统机器学习方法10个百分点[15];而第二至第四名相差不超过1%，显示了传统方法的天花板。随后的大量实验表明，无论在图像分类、物体识别、语音识别、遥感应用等关于学习和语义的研究领域，深度学习都占据上风，深度学习的时代由此开启。
除了自然语言处理(natural language processing, NLP)[16]以外，深度学习最重要的应用是在视觉图像上，如手写字体识别[17]、自然图像分类[18]和目标检索等等。深度学习在计算机视觉领域得到广泛应用，推动了人脸识别、机器人和无人驾驶车等相关技术的蓬勃发展。由于摄影测量的研究对象也是视觉图像，因此摄影测量也成为深度学习发展最受益的学科之一。
摄影测量的两个主要任务是目标几何定位和属性的提取，包括从二维像片重建三维几何以及地物要素分类。将深度学习应用于几何定位目前还未进入摄影测量研究领域，但已经出现在密切相关的计算机视觉领域，如SfM与SLAM。然而，深度学习方法的定位精度目前尚不能同传统的方法相比，约相差一个数量级[17]。对于三维重建中的关键技术——密集匹配，深度学习已经取得很好的应用效果。如在KITTI等标准数据集[18]上，前10名的方法都是深度学习方法，展现了深度学习方法的应用潜力。
深度学习在摄影测量领域的另一个主要任务，即影像的语义提取方面，则取得了重要进展，并开始普及应用。基于图像的建筑、道路网等地物的提取数十年来一直是热门课题。虽然经典方法取得一定的效果，但距离实用、市场、商业软件尚有一定的距离。卷积神经网络(convolutional neural network, CNN)目前已成为道路网提取的主流方法。文献[19]通过级联式端到端CNN同时实现了道路网提取及道路中心线提取，与其他方法比较，分类精度更高。文献[20]通过CNN结合线积分卷积克服了树木遮蔽、房屋阴影造成的道路网残缺问题。文献[21]通过非监督学习预处理和空间相关性的应用，利用深度学习极大地提高了复杂城市场景的道路提取精度。文献[22]采用CNN实现了高分辨率多光谱卫星影像的建筑物提取。文献[19]在影像平面上进行二维卷积，在光谱方向上进行一维卷积，分别提取出影像空间特征和光谱特征，取得了比随机森林和全连接NLP更好的作物分类精度。肖志锋等使用深度学习方法对天地图上的高分辨率遥感影像进行语义检索，能够检索37类地物目标，准确率达90%以上。目前，深度学习已经广泛用于遥感图像的分类、识别、检索和提取，在语义上基本全面碾压了传统的方法[23]。表 1为肖志锋等开发的基于深度学习方法的遥感影像内容检索系统。从表 1可以看出，这里采用的基于深度级联降维网络的遥感图像特征提取方法(deep convolutional neural network, DCNN)的查全率和精度大大高于传统的LBF-HF(local binary pattern histogram Fourier)和EFT-HOG(the elliptic Fourier transform-histogram of oriented gradients)方法，其精度高出了20%~30%。
表 1 使用深度学习的影像内容检索方法与传统方法的精度比较
基于深度学习的方法除了可有效地用于遥感影像的地物分类与目标检索以外，在其他摄影测量与遥感数据处理方面也有广泛用途。例如，胡翔云等[24]采用深度学习方法进行激光雷达(light detection and ranging, LiDAR)点云数据处理。山地林区的点云数据滤波，从点云数据提取数字高程模型，自动化很难实现，一般需要人机交互作业，耗费大量人力物力。目前该小组采用机器学习方法，在人机交互作业过程中进行训练，学习到知识，然后再应用于点云数据的自动处理中，自动处理的准确率达到95%以上，大大提高了作业效率。图 3所示为广东某地的点云提取的地形断面，可以看出，该地区相当复杂，但是用深度学习获取的地面模型断面还是相当准确的(红色曲线)。这说明深度学习方法在点云数据自动处理方面有很好的应用前景。同理，深度学习方法在测绘领域的其他方面，特别是需要人机交互数据处理等方面，如影像变化检测、地图综合，也将发挥重要作用，使之更加智能化和自动化。
图 3 深度学习方法应用于点云数据滤波，自动提取数字高程模型
声明：中国勘测联合网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述，文章内容仅供参考。
