[發明專利]一種基于遷移學習的建筑物標定方法

有效

• 申請號: 201910745724.1
• 申請日: 2019-08-13
• 公開（公告）號: CN110619059B
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 余林林;毛家發;胡亞紅;盧書芳;王寧;郎嘉瑾
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06F16/583
• 分類號: G06F16/583;G06N3/04;G06N3/08
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

一種基于遷移學習的建筑標定方法，包括如下步驟：1)取自制數據集分別構造訓練集和測試集，該數據集包含來自相關設計所的建筑物設計圖以及網上實拍建筑物圖片，應用作為推薦系統測試數據；2)構建建筑物標定技術架構模型，該模型包括圖像特征標定，圖像特征提取，數據庫匹配，馬氏距離設定以及最后的圖像認證；3)將數據集切分成小塊依次輸入到建筑物識別神經網絡中利用反向傳播Adam算法更新參數，通過所設置的訓練輪數來訓練最后更改的分類器進行訓練；4)將訓練好的模型對實際建筑物圖片進行標定。

技術領域

本發明涉及圖像分類領域，具體是一種基于遷移學習的建筑標定方法

背景技術

建筑物識別同時是計算機視覺，模式識別領域的研究熱點之一，它能夠使人們根據圖像快速獲取建筑物的位置，名稱，描述等相關信息，在建筑物定位建筑設計，建筑物標記等領域有著重要的應用價值，而如何能有效地標定是建筑物識別的關鍵問題。

建筑物識別關鍵技術在于特征的提取，最公共的圖像特征包括顏色特征、紋理特征、形狀特征，大部分已經建立的圖像標注和圖像提取體系都是基于這些特征的，而它們的性能大部分都是取決于所提取特征的表示方法,針對顏色特征、紋理特征、形狀特征，主要有以下這些使用較廣泛的特征描述子：HOG描述子，LBP描述子，HSV描述子，SIFT描述子。使用這些描述子，并結合降維、建立金字塔、構建詞袋模型等方法，生成高效的特征提取器。但是傳統特征具有非常大的局限性，人為特征工程耗時耗力且對專業領域知識要求高，提取的特征較單一，且隨著數據集復雜程度增加，特征效果越差。所以單使用傳統特征，已無法滿足現計算機視覺領域對特征提取的需求。近年來，隨著深度學習技術的發展，基于端對端學習的神經網絡結構，依賴大數據及高維參數空間優勢，從底層到頂層逐步抽象合成高級特征。數據驅動的自學習方式保證卷積神經網絡具有優秀的特征抽取能力。因此將深度學習與建筑物標定結合起來具有實際的應用價值。

發明內容

本發明要解決現有的建筑物識別技術精度低、需要大量人為特征工程的缺點，提供一種基于遷移學習的建筑物標定方法。

本發明結合遷移學習的卷積神經網絡進行特征提取，以及多特征標定技術進行特征劃分來讓模型能夠更好的捕獲特征之間的潛在關聯信息以提高模型的預測的精度，微調網絡模型，通過Inception網絡模型獲得最后一層的輸入，定義為Bottlenecks,然后使用Bottlenecks對最后更改的softmax layer進行訓練，同時在spyder可視化平臺上進行了仿真實驗

本發明解決其技術問題所采用的技術方案是：

一種基于遷移學習的建筑物標定方法，包括如下步驟：

步驟1.自制數據集，該建筑物數據集來自于Google圖片以及百度圖片，基于現有的數據集共分為七類生活中常見的建筑物，分別為教堂，居民樓，醫院，酒店，圖書館，別墅住房以及商場，并作均一化處理。

步驟2.構建基于遷移學習的多特征標定神經網絡模型，整個網絡架構分為圖像特征標定，圖像特征提取，數據庫匹配，以及圖形認證。

圖像特征標定：針對建筑物風格明顯的建筑物進行單一特征標定，風格多樣的進行多特征標定，繼而形成該圖片的特征矩陣。

圖像特征提取：進行特征標定后的圖片作為網絡輸入，多層神經網絡由一系列卷積層和下采樣層的相互配合來學習原始圖像的特征，結合經典的BP算法來調整參數，完成權值更新，BP網絡更新權值公式為：

ω(t+1)＝ω(t)+ηδ(t)x(t) (1)

其中ω(t)為連接權值，x(t)為神經元的輸出，δ(t)表示該神經元的誤差項，η表示學習率，網絡中卷積層的網絡結構采用卷積的離散型，表示為：