[发明专利]一种基于迁移学习的建筑物标定方法

说明书

一种基于迁移学习的建筑标定方法，包括如下步骤：1)取自制数据集分别构造训练集和测试集，该数据集包含来自相关设计所的建筑物设计图以及网上实拍建筑物图片，应用作为推荐系统测试数据；2)构建建筑物标定技术架构模型，该模型包括图像特征标定，图像特征提取，数据库匹配，马氏距离设定以及最后的图像认证；3)将数据集切分成小块依次输入到建筑物识别神经网络中利用反向传播Adam算法更新参数，通过所设置的训练轮数来训练最后更改的分类器进行训练；4)将训练好的模型对实际建筑物图片进行标定。

技术领域

本发明涉及图像分类领域，具体是一种基于迁移学习的建筑标定方法

背景技术

建筑物识别同时是计算机视觉，模式识别领域的研究热点之一，它能够使人们根据图像快速获取建筑物的位置，名称，描述等相关信息，在建筑物定位建筑设计，建筑物标记等领域有着重要的应用价值，而如何能有效地标定是建筑物识别的关键问题。

建筑物识别关键技术在于特征的提取，最公共的图像特征包括颜色特征、纹理特征、形状特征，大部分已经建立的图像标注和图像提取体系都是基于这些特征的，而它们的性能大部分都是取决于所提取特征的表示方法,针对颜色特征、纹理特征、形状特征，主要有以下这些使用较广泛的特征描述子：HOG描述子，LBP描述子，HSV描述子，SIFT描述子。使用这些描述子，并结合降维、建立金字塔、构建词袋模型等方法，生成高效的特征提取器。但是传统特征具有非常大的局限性，人为特征工程耗时耗力且对专业领域知识要求高，提取的特征较单一，且随着数据集复杂程度增加，特征效果越差。所以单使用传统特征，已无法满足现计算机视觉领域对特征提取的需求。近年来，随着深度学习技术的发展，基于端对端学习的神经网络结构，依赖大数据及高维参数空间优势，从底层到顶层逐步抽象合成高级特征。数据驱动的自学习方式保证卷积神经网络具有优秀的特征抽取能力。因此将深度学习与建筑物标定结合起来具有实际的应用价值。

发明内容

本发明要解决现有的建筑物识别技术精度低、需要大量人为特征工程的缺点，提供一种基于迁移学习的建筑物标定方法。

本发明结合迁移学习的卷积神经网络进行特征提取，以及多特征标定技术进行特征划分来让模型能够更好的捕获特征之间的潜在关联信息以提高模型的预测的精度，微调网络模型，通过Inception网络模型获得最后一层的输入，定义为Bottlenecks,然后使用Bottlenecks对最后更改的softmax layer进行训练，同时在spyder可视化平台上进行了仿真实验

本发明解决其技术问题所采用的技术方案是：

一种基于迁移学习的建筑物标定方法，包括如下步骤：

步骤1.自制数据集，该建筑物数据集来自于Google图片以及百度图片，基于现有的数据集共分为七类生活中常见的建筑物，分别为教堂，居民楼，医院，酒店，图书馆，别墅住房以及商场，并作均一化处理。

步骤2.构建基于迁移学习的多特征标定神经网络模型，整个网络架构分为图像特征标定，图像特征提取，数据库匹配，以及图形认证。

图像特征标定：针对建筑物风格明显的建筑物进行单一特征标定，风格多样的进行多特征标定，继而形成该图片的特征矩阵。

图像特征提取：进行特征标定后的图片作为网络输入，多层神经网络由一系列卷积层和下采样层的相互配合来学习原始图像的特征，结合经典的BP算法来调整参数，完成权值更新，BP网络更新权值公式为：

ω(t+1)＝ω(t)+ηδ(t)x(t) (1)

其中ω(t)为连接权值，x(t)为神经元的输出，δ(t)表示该神经元的误差项，η表示学习率，网络中卷积层的网络结构采用卷积的离散型，表示为：