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
相关推荐
hyshhhh6 小时前
【算法岗面试题】深度学习中如何防止过拟合?
网络·人工智能·深度学习·神经网络·算法·计算机视觉
Listennnn7 小时前
优雅的理解神经网络中的“分段线性单元”,解剖前向和反向传播
人工智能·深度学习·神经网络
牙牙要健康9 小时前
【目标检测】【深度学习】【Pytorch版本】YOLOV3模型算法详解
pytorch·深度学习·目标检测
MPCTHU9 小时前
预测分析(三):基于机器学习的分类预测
人工智能·机器学习·分类
Scc_hy9 小时前
强化学习_Paper_1988_Learning to predict by the methods of temporal differences
人工智能·深度学习·算法
誉鏐10 小时前
从零开始设计Transformer模型(1/2)——剥离RNN,保留Attention
人工智能·深度学习·transformer
神经星星10 小时前
无需预对齐即可消除批次效应,东京大学团队开发深度学习框架STAIG,揭示肿瘤微环境中的详细基因信息
人工智能·深度学习·机器学习
程序员Linc10 小时前
写给新人的深度学习扫盲贴:向量与矩阵
人工智能·深度学习·矩阵·向量
补三补四11 小时前
机器学习-聚类分析算法
人工智能·深度学习·算法·机器学习
荷包蛋蛋怪11 小时前
【北京化工大学】 神经网络与深度学习 实验6 MATAR图像分类
人工智能·深度学习·神经网络·opencv·机器学习·计算机视觉·分类