用卷积网络对城市住区进行分类

这将是解释我的人工智能硕士最终项目的几篇文章中的第一篇，我想在其中详细解释从项目的想法到结论，我将在其中展示给定解决方案的所有代码。

总体思路

城市扩张地图集

https://www.lincolninst.edu/es/publications/books/atlas-urban-expansion

项目需要大量人力来获取数据，以评估全球 200 个城市的城市结构质量。其中一项任务是对城市地块进行分类。

阶段目标是：创建一个卷积网络，负责根据这些地块的类型自动对其进行分类。最终目标：尝试利用人工智能的进步来解决项目中这类特定部分需求，并看看是否有可能创建这种类型的解决方案。

数据准备

它是使用从 Cartociudad + Cadastre 获取的图进行的，并在 gvSIG Desktop 中手动标记，以便基于 PNOA 图像训练网络。

这些图的剪切是在 PNOA 上进行的，并分组在文件夹中。这也与 gvSIG Desktop 上的脚本有关。

数据训练

使用Python + Keras 创建卷积网络。

复制代码

model = tf.keras.models.Sequential([
      tf.keras.layers.Conv2D(200, (3,3), activation='relu', input_shape=(image_size, image_size, 3)),
      tf.keras.layers.MaxPooling2D(2, 2),

      tf.keras.layers.Conv2D(128, (3,3), activation='relu'),#, input_shape=(image_size, image_size, 3)),
      tf.keras.layers.MaxPooling2D(2, 2),

      tf.keras.layers.Conv2D(64, (3,3), activation='relu'), # input_shape=(image_size, image_size, 3)),
      tf.keras.layers.MaxPooling2D(2, 2),
      
      tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
      tf.keras.layers.MaxPooling2D(2,2),
      
      tf.keras.layers.Flatten(),
      tf.keras.layers.Dropout(0.5),

      tf.keras.layers.Dense(200, activation='relu'),
      tf.keras.layers.Dense(128, activation='relu'),
      tf.keras.layers.Dense(64, activation='relu'),
      tf.keras.layers.Dense(4, activation='softmax')
  ])

Model: "sequential"
Layer (type) Output Shape Param #
conv2d (Conv2D) (None, 222, 222, 200) 5600
max_pooling2d (MaxPooling2D) (None, 111, 111, 200) 0
conv2d_1 (Conv2D) (None, 109, 109, 128) 230528
max_pooling2d_1 (MaxPooling2 (None, 54, 54, 128) 0
conv2d_2 (Conv2D) (None, 52, 52, 64) 73792
max_pooling2d_2 (MaxPooling2 (None, 26, 26, 64) 0
conv2d_3 (Conv2D) (None, 24, 24, 32) 18464
max_pooling2d_3 (MaxPooling2 (None, 12, 12, 32) 0
____________________________________________
flatten (Flatten) (None, 4608) 0
dropout (Dropout) (None, 4608) 0
____________________________________________
dense (Dense) (None, 200) 921800
dense_1 (Dense) (None, 128) 25728
dense_2 (Dense) (None, 64) 8256
dense_3 (Dense) (None, 4) 260
============================================
Total params: 1,284,428
Trainable params: 1,284,428
Non-trainable params: 0