地图空间形状认知的自编码器深度学习方法

P208; 形状是地理空间要素的重要特征,是人们建立空间概念、形成空间认知的重要依据.本文利用深度学习的特征挖掘能力引入自编码学习方法,对二维地图空间中形状边界上多组邻域尺寸下的多个特征进行集成和整合,为空间形状认知的机理和形式化提供支撑.本文以建筑物数据为例,将建筑物形状边界转换为序列数据,并提取其描述特征;随后结合sequence-to-sequence自编码学习模型,对无标签的建筑面要素数据进行学习训练,形成形状认知编码.试验表明,本文方法能够产生符合形状认知、具有相似度计算意义的形状编码,具备对不同建筑物形状的区分能力;同时,在形状检索和匹配等应用场景中,该形状编码能有效地表示建筑物的...

Full description

Saved in:
Bibliographic Details
Published inCe hui xue bao Vol. 50; no. 6; pp. 757 - 765
Main Authors 晏雄锋, 艾廷华, 杨敏, 郑建滨
Format Journal Article
LanguageChinese
English
Published Beijing Surveying and Mapping Press 01.06.2021
同济大学测绘与地理信息学院,上海200092
武汉大学资源与环境科学学院,湖北武汉430079%武汉大学资源与环境科学学院,湖北武汉430079
Subjects
Coders
Coding
Cognition
Cognition & reasoning
Learning
Shape recognition
自编码器
sequence-to-sequence模型
空间认知
形状编码
深度学习
Online AccessGet full text
ISSN1001-1595
1001-1595
DOI10.11947/j.AGCS.2021.20210046

Cover

More Information
Summary:P208; 形状是地理空间要素的重要特征,是人们建立空间概念、形成空间认知的重要依据.本文利用深度学习的特征挖掘能力引入自编码学习方法,对二维地图空间中形状边界上多组邻域尺寸下的多个特征进行集成和整合,为空间形状认知的机理和形式化提供支撑.本文以建筑物数据为例,将建筑物形状边界转换为序列数据,并提取其描述特征;随后结合sequence-to-sequence自编码学习模型,对无标签的建筑面要素数据进行学习训练,形成形状认知编码.试验表明,本文方法能够产生符合形状认知、具有相似度计算意义的形状编码,具备对不同建筑物形状的区分能力;同时,在形状检索和匹配等应用场景中,该形状编码能有效地表示建筑物的全局和局部特征,与视觉认知结果一致.
Bibliography:ObjectType-Article-1
SourceType-Scholarly Journals-1
ObjectType-Feature-2
content type line 14
ISSN:1001-1595
1001-1595
DOI:10.11947/j.AGCS.2021.20210046