[发明专利]基于生成对抗网络的地图矢量化样本增强方法及系统

说明书

本发明提供一种基于生成对抗网络的地图矢量化样本增强方法及系统，所述方法包括：S1、影像地图预处理；S2、生成对抗网络构建以及样本生成模型训练；S3、自样本标定；S4、样本基件生成；S5、样本组合增强。本发明通过对影像地图自身数据的轻量级样本集制作，并通过构建生成对抗网络的深度学习模型，大幅扩充有效样本集的空间，使之能够满足深度学习训练影像矢量化模型的数据量要求，并通过构建相应的系统实现了本发明所描述的方法。相比传统人工/半自动实现影像地图矢量化的过程，本发明所涉及的方法只需人工少量标绘初始样本，后续全自动生成符合需求的海量训练样本，为影像地图矢量化的研究与应用提供有力的技术支撑。

技术领域

本发明涉及地理信息与人工智能交叉领域，具体是一种基于生成对抗网络的地图矢量化样本增强方法及系统。

背景技术

遥感影像地图的矢量化，能够实现地图中地物要素的矢量化存储，不仅能够有效的节省存储空间，也能较大的提升地图数据的加载速度，满足日益增长的地图网络使用需求；另一方面，矢量化的地物要素，能够更好与其它同类数据叠加、分析，拓展和完善空间地理信息的服务功能。

另一方面，对于地图数据的采集与制作，在目前阶段，影像数据仍然是各类数据中最便于采集的地图类数据，各类卫星、无人机、地面设备等搭载的传感器，能够直接采集影像数据，而对于矢量化数据，往往需要进行转换、二次加工制作。

目前，影像数据的矢量化过程，以人工绘制或半自动化绘制方式为主。这种人工或半自动化矢量化方法，具有诸多的局限性，主要表现为：

1)人工方式实现的矢量化制作，无法根据不同的地图生产需求，产生绝对一致性的作业标准，难免产生评估偏差；

2)由于地图类产品具有较强的时效性，每次地图更新均需要重新绘制或修改矢量化数据，耗时耗力，作业成本高昂；

3)人工作业方式受作业员个体差异，无法实现同标准无差异作业，同时人为的失误、误差也将影响到最终的成图质量。

因此，如何设计并实现一种借助于现代化地理信息技术和人工智能技术，设计并实现一种高度自动化、智能化的影像地图矢量化方法和系统，具有较强的现实意义。

与此同时，随着人工智能、机器学习技术的成熟，先进的深度学习模型已经在很多复杂问题领域取得了突破性进展。依靠海量标注的样本，能够实现End-to-End的黑盒训练模型，更有效的拟合样本数据的多样性分布。然而在遥感影像地图的矢量化工作领域，深度学习方法的应用存在如下问题：

1)基于海量样本的深度学习框架，无法在遥感影像矢量化应用领域取得足够量级的数据支撑，带标签样本的不足，无法使训练模型有效收敛，以致不能实现高精度的影像地图的矢量化模型。

2)影像地图受分辨率、地图质量、拍摄环境等诸多因素的影响，采用公有的样本集往往不能适应指定的待矢量化影像地图。这种需要“一图一做”的样本需求，也制约了深度学习类方法的探索与研究。

3)基于以上分析，在待矢量化影像地图的基础上，“就地取材”制作样本及标注样本标签，往往效果较好。但也会带来新的问题，包括模型的过拟合问题、采样空间有限以致无法采集足够多的样本问题等。

基于以上存在的问题，如何设计一种基于待矢量化影像地图本身，有足够量级的样本集，并不会带来过拟合等问题的样本制作方法，具有较强的应用价值。

发明内容

本发明主要是解决现有技术所存在的上述技术问题，提供了一种基于生成对抗网络的地图矢量化样本增强方法及系统，该方法针对目前深度学习在遥感影像矢量化过程中的应用，提出了一种基于生成对抗网络的自样本增强方法，能够有效的扩充样本集空间，同时避免同采样造成的模型过拟合，并实现了基于该方法的软件系统，能够为深度学习在影像地图矢量化中的探索与应用，提供了有效的技术支撑和数据支撑。