深度学习在地理信息行业的应用

深度学习在地理信息行业的应用

机器学习的许多方法在过去即被提出，过去受限于硬件水平限制，应用不多。近些年随着硬件水平的提高，普通计算机的算力越来越强，机器学习尤其是深度学习在许多领域取得了非常好的成绩。首先是在对算力要求不是太高的自然语言处理领域，基于统计模型的算法击败了传统的专家系统。随着GPU的发展，大规模图形运算成为可能。深度学习方法随即应用到图形图像处理领域。

地理信息行业有海量的空间数据，在摄影测量，遥感，测绘等方面对图像处理有大量的需求。过去人们通过直方图变换，伸缩拉伸等方法进行图像处理，来改善图像质量，方便判读和决策。这种方法在目前看来，会损失一定信息并且效率不高。而深度学习在这些方面，可以大有作为。

1. 图像识别

深度学习在图像识别中的发展趋势

1. 模型层次不断加深
   2012Alex获得ImageNet冠军，其所用的AlexNet5个卷积层3个pool层和2个全连接层
   2014年获得ImageNet的GoogleNet，使用了59个卷积层，16个pool层和2个全连接层。
   2016微软的ResultNet深度残差网络，用了152个层的构架。

2. 模型结构日趋复杂
   传统的卷积神经网络都是简单的conv-pool-FC
   后来NIN用mlpconv代替传统的conv层（mlp实际上是卷积加传统的多层感知器）。这样做一方面降低过拟合程度提高模型的推广能力，另一方面为大规模并行训练提供非常有利的条件。

3. 海量的标注数据和适当的数据扰动
   深度学习需要大量的数据，现有的图像数据不能满足需求，结合图像数据的特点&