简化深度学习
33421 给本文评分:
4.0 分
简化深度学习
Jason Wolfe 2019年3月20日，星期三
过去几年，深度学习在遥感领域的使用显著增加。随着这项新兴技术开始流行，地理空间行业的专业人员常常会问：“什么是深度学习？我如何将它应用于我的工作？”本文将揭开深度学习的一些神秘面纱，同时展示我们如何在NV5 Geospatial将其应用于遥感影像的示例。
（左）2010年1月海地太子港某社区地震后的正射影像；
（右）在ENVI中创建的类别激活图，显示了通过深度学习模型识别的废墟区域。
深度学习的概念已经存在多年，但直到最近人们才开始探索其在利用影像解决地理空间问题方面的全部潜力。当我们考虑深度学习如何应用于图像时，我们通常会想到目标识别，例如从数码照片中识别人脸或车辆的能力。尽管这仍然是一种流行的用途，但在大地理区域内识别和分类目标的需求日益增长。在互联网上搜索"遥感中的深度学习"会揭示迄今为止它已被应用的一些领域——即图像分类、植被制图和城市规划。那么，什么是深度学习，为什么它如此引人关注？
深度学习实际上只是机器学习的一种复杂形式，它使系统能够自动发现数据中的特征表示。它可以在无需大量指导的情况下，自行持续改进预测。它通过在神经网络中通过多个层次进行学习来提取模式并得出结论，类似于大脑处理信息的方式。当应用于遥感影像时，它可以用来寻找车辆、公共设施结构或道路标记等特征。在更大尺度上，它可以用来寻找特定的土地利用模式、道路网络以及光学影像中的云层。其结果是产生一种特殊类型的分类图像，称为类别激活图，它指示每个像素与给定特征匹配的概率。下图显示了一个在高分辨率正射影像中识别车辆的示例。
与支持向量机（SVM）等传统的监督分类方法相比，深度学习可以提取更鲁棒的特征表示，从而提高分类精度。深度学习算法非常适合于从复杂背景中提取特征，而不受其形状、颜色、大小和其他属性的影响。
与任何涉及训练神经网络的分类问题一样，用户必须提供他们感兴趣特征的样本——这个过程称为标注。随着来自小卫星和无人机的数据量随时间呈指数级增长，提供特征标注可能变得成本高昂且耗时。一旦创建了标注，如何将其输入到深度学习模型中，以便训练模型在其他图像中识别相同的特征？再次，针对这个主题进行互联网搜索，会发现学习曲线陡峭，充满了复杂的图表和陌生的术语。研究人员有时会开发自己的算法和架构，但主要是使用开源的深度学习库，这涉及大量的Python或C++编程。
ENVI深度学习模块（于2019年5月发布）正是为了克服这些局限性而设计的，旨在使深度学习更广泛地为主流遥感社区所用。它利用了被广泛使用并经过验证的TensorFlow™深度学习技术，而无需用户编写一行API代码。取而代之的是一个简单的用户界面，引导用户完成创建标注数据集、训练模型以及生成结果的类别激活图的整个过程：
下面是一个如何在遥感中使用深度学习的例子：假设你想识别图像中所有的农作物行。在世界上许多地区，农作物是沿着弯曲的行种植的。这使得使用传统的分类方法自动提取行变得困难。深度学习模型将是这项任务的理想选择。然而，手动标注行可能需要数小时才能为模型提供训练样本。为了展示如何使用ENVI的分析功能来解决这个问题，从一个大小为4200 x 6400像素的农田图像中选择了两个小的空间子集进行训练。在每个子集中，使用ENVI感兴趣区（ROI）工具沿着农作物行绘制折线。这个标注过程只花了几分钟。标注的示例被用来训练一个深度学习模型，以识别完整图像中剩余的农作物行（下图用蓝线显示）。
仅使用了少数几个标注示例，模型就学会了识别所有的农作物行。训练是一个一次性的过程。训练好的模型现在可以应用于其他类似的图像。
ENVI的预处理工具增强了深度学习流程。诸如校准、拉伸和色彩空间变换等预处理工具可创建深度学习模型所需的一致数据。光谱分类和目标检测工具可用于创建标注数据集，而无需在图像上手绘ROI。我们的一些工程师尝试使用来自OpenStreetMap®的建筑轮廓作为深度学习模型的输入，用于大型城市场景的屋顶提取。下图显示了叠加在正射影像上的结果类别激活图：
深度学习模块的设计旨在向经常使用ENVI的图像分析师隐藏卷积神经网络的复杂性。然而，它也允许那些希望对训练过程有更多控制的用户微调参数以实现最佳精度。用户还可以利用ENVITask API框架和ENVI Modeler来自定义深度学习工作流。ENVI深度学习提供的影像驱动洞察将帮助专业人员解决仅靠GIS数据无法解决的地理空间问题。