基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的山頂點(diǎn)識(shí)別研究

李凱明，孔月萍，張躍鵬，朱旭東，高 凱

(1.西安建筑科技大學(xué) 信息與控制工程學(xué)院，西安 710055;2.地理信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，西安 710054)

0 引言

山頂點(diǎn)是一個(gè)容易意會(huì)卻難以量化的地理特征，是地表中最具控制性的特征點(diǎn)之一，其自動(dòng)識(shí)別與準(zhǔn)確標(biāo)注對(duì)地學(xué)分析、軍事測(cè)量、道路選址以及城市規(guī)劃等工作具有重要的理論價(jià)值和指導(dǎo)意義[1]。現(xiàn)有DEM(digital terrain model)數(shù)據(jù)中的山頂點(diǎn)識(shí)別方法主要有幾何形態(tài)分析法[2]、斷面高程極值法[3]、水文流域分析法[4-5]和拓?fù)浣Y(jié)構(gòu)分析法[6]四大類，前兩類方法通過(guò)計(jì)算分析窗口中鄰域間的高程變化關(guān)系來(lái)確定山頂，能夠快速提取山頂點(diǎn)，但該類方法多著眼于山頂?shù)木植刻卣鳎菀桩a(chǎn)生誤提或漏提的現(xiàn)象；水文流域分析法通過(guò)模擬地表水流，進(jìn)行流域計(jì)算模型構(gòu)造山頂點(diǎn)識(shí)別方法，能有效改善分析窗口的局限性，但受到地形復(fù)雜性、DEM數(shù)據(jù)精度等因素的影響，對(duì)地形微起伏較為敏感，易出現(xiàn)偽山頂點(diǎn)；而拓?fù)浣Y(jié)構(gòu)分析法以等間距高程剖分山體，結(jié)合地貌、高差提取山頂點(diǎn)，有效減少了偽山頂點(diǎn)的提取，但其需要準(zhǔn)確、定量化的特征描述參數(shù)，否則提取效果不佳。

上述方法均依賴于人工構(gòu)建的山頂特征提取模型，而人工選擇特征難以對(duì)山頂?shù)木植亢秃暧^形態(tài)進(jìn)行準(zhǔn)確表達(dá)，容易造成山頂?shù)恼`提與漏提。近年來(lái)，以卷積神經(jīng)網(wǎng)絡(luò)[7](CNN，convolutional neural network)為代表的深度學(xué)習(xí)技術(shù)在圖像處理、目標(biāo)檢測(cè)方面顯現(xiàn)出巨大優(yōu)勢(shì)。CNN通過(guò)多層卷積對(duì)輸入圖像進(jìn)行多階段的特征提取，對(duì)樣本數(shù)據(jù)中隱形特征的表達(dá)更為高效準(zhǔn)確，在一定程度上可以規(guī)避人工選擇特征的局限性[8]。以CNN為基礎(chǔ)，后有學(xué)者提出了應(yīng)用于目標(biāo)檢測(cè)任務(wù)的R-CNN(Regions with CNN feature)算法[9],該方法在樣本數(shù)據(jù)中進(jìn)行選擇搜索，生成若干個(gè)候選區(qū)域，然后對(duì)每個(gè)候選區(qū)進(jìn)行特征提取，利用支持向量機(jī)進(jìn)行目標(biāo)分類，但由于沒(méi)有共享CNN提取的各個(gè)候選區(qū)域特征，使得檢測(cè)時(shí)間較慢；為了提升模型檢測(cè)速度，F(xiàn)ast R-CNN[10]和Faster R-CNN[11]算法相繼提出。Fast R-CNN模型在R-CNN的基礎(chǔ)上融合了SPP-Net模塊，采用全圖卷積共享特征圖的方式對(duì)目標(biāo)檢測(cè)進(jìn)行加速，同時(shí)精度也有所提升；而Faster R-CNN采用區(qū)域建議網(wǎng)絡(luò)(RPN，region proposal network)代替了Fast R-CNN中的選擇搜索算法產(chǎn)生候選區(qū)域，在保證精度的同時(shí)極大縮減了檢測(cè)時(shí)間，并在交通標(biāo)志[12]、行人檢測(cè)[13]、故障巡視[14]等復(fù)雜環(huán)境的目標(biāo)檢測(cè)應(yīng)用中表現(xiàn)優(yōu)異，具有良好的模型泛化能力和魯棒性。

為了克服山頂點(diǎn)識(shí)別效果受人工選擇特征的制約，將深度學(xué)習(xí)技術(shù)引入到DEM數(shù)據(jù)的山頂點(diǎn)要素提取領(lǐng)域，提出一種基于改進(jìn)的Faster R-CNN山頂點(diǎn)識(shí)別方法。首先對(duì)DEM數(shù)據(jù)進(jìn)行預(yù)處理，融合等高線圖和灰度圖兩種圖像下的山頂特征，并采用ResNet-101替代原始的VGG16作為山頂識(shí)別模型的特征提取網(wǎng)絡(luò)，再利用K-Means聚類算法[15]得出適用于山頂區(qū)識(shí)別的錨框設(shè)定。通過(guò)改進(jìn)后Faster R-CNN網(wǎng)絡(luò)深度挖掘疊加圖像下的山頂形態(tài)特征，自動(dòng)生成高質(zhì)量的山頂目標(biāo)區(qū)，最后結(jié)合高程計(jì)算實(shí)現(xiàn)山頂點(diǎn)的精準(zhǔn)提取。

1 山頂區(qū)域數(shù)據(jù)集構(gòu)建

DEM數(shù)據(jù)作為地球表面地形地貌的一種離散化數(shù)學(xué)表達(dá)，與數(shù)字圖像在數(shù)據(jù)結(jié)構(gòu)上十分相似，但物理含義有著顯著差異[16]，其主要區(qū)別在于數(shù)字圖像使用一個(gè)點(diǎn)表示整個(gè)像元的屬性；而在DEM中每個(gè)格網(wǎng)只表示點(diǎn)的屬性(即地理位置所代表的高程信息)，點(diǎn)與點(diǎn)之間的屬性則通過(guò)內(nèi)插計(jì)算獲得。因此直接將深度學(xué)習(xí)技術(shù)遷移到DEM數(shù)據(jù)中，檢測(cè)性能還有待研究。通過(guò)分析數(shù)字圖像與DEM柵格數(shù)據(jù)的異同，借助深度學(xué)習(xí)方法在數(shù)字圖像領(lǐng)域的廣泛研究與應(yīng)用，以一種轉(zhuǎn)換與融合的方法對(duì)DEM數(shù)據(jù)集進(jìn)行處理與構(gòu)建。

在地理信息領(lǐng)域，等高線地形圖是將地面上海拔高度相同的點(diǎn)連成閉合曲線，并垂直投影到一個(gè)水平面上，以等高圈的形式描述地形地貌。如山頂、盆地在等高線圖中均是以最小閉環(huán)的形式進(jìn)行表達(dá)，但其主要反映山地要素的地貌形態(tài)，難以通過(guò)圖像的形式對(duì)地形要素的空間高程變化進(jìn)行準(zhǔn)確描述。而數(shù)字圖像中灰度值與DEM中高程值的組織形式相似，通過(guò)對(duì)DEM數(shù)據(jù)進(jìn)行灰度渲染處理，以多層級(jí)的灰度差異反映山地的高程變化。因此，為了有效利用深度網(wǎng)絡(luò)進(jìn)行DEM數(shù)據(jù)中的地形特征提取，以等高線圖像反映山地?cái)?shù)據(jù)的地貌形態(tài)，以灰度渲染圖表示山地?cái)?shù)據(jù)中的高程變化趨勢(shì)，對(duì)原始DEM數(shù)據(jù)作等高線生成和灰度渲染處理，以圖像合成的形式融合兩種模態(tài)下的山頂特征，形成深度網(wǎng)絡(luò)可接收的學(xué)習(xí)樣本數(shù)據(jù)。

DEM樣本選取SRTM-DEM開源網(wǎng)站中比例尺為1:100萬(wàn)的地形數(shù)據(jù)，首先根據(jù)高程分布遴選出其中的山地部分，裁剪出1 000個(gè)大小為640*640的山地?cái)?shù)據(jù)塊，保證每個(gè)數(shù)據(jù)塊中最少有一個(gè)或多個(gè)山頂，并按照?qǐng)D1的方法對(duì)DEM數(shù)據(jù)進(jìn)行預(yù)處理。同時(shí)，采用人工的方式進(jìn)行山頂目標(biāo)區(qū)的框選與標(biāo)注，利用最小外接矩形的方法對(duì)疊加圖像中的山頂區(qū)域進(jìn)行標(biāo)注，保證每個(gè)標(biāo)注矩形框中有且只有一個(gè)山頂，并且盡可能少地包含背景信息，以此形成如圖2所示的山頂樣本數(shù)據(jù)。其中，圖2(a)為疊加后的山地等高線渲染圖；圖2(b)為樣本的標(biāo)簽信息，依次為山頂區(qū)域坐標(biāo)框的左下角坐標(biāo)(x1,y1)及右上角坐標(biāo)(x2,y2)和lable標(biāo)簽。如此，建立了包含山頂目標(biāo)區(qū)的可學(xué)習(xí)樣本集PEAK-100，共囊括了3500個(gè)山頂樣本，并按照7:2:1的比例把山頂樣本集分為訓(xùn)練集、驗(yàn)證集與測(cè)試集。

圖1 DEM數(shù)據(jù)處理

圖2 山頂樣本數(shù)據(jù)示意圖

2 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的山頂點(diǎn)識(shí)別方法

為了深度挖掘山地樣本中的山頂特征，準(zhǔn)確提取出山頂點(diǎn)坐標(biāo)位置，設(shè)計(jì)了如圖3所示的基于Faster R-CNN山頂點(diǎn)識(shí)別框架。首先利用特征提取模塊對(duì)山地樣本中山頂區(qū)的形態(tài)特征進(jìn)行深度挖掘，再結(jié)合RPN和分類回歸網(wǎng)絡(luò)自動(dòng)生成高質(zhì)量的山頂目標(biāo)區(qū)，最后將樣本圖像中的山頂目標(biāo)區(qū)映射回原始DEM數(shù)據(jù)中，通過(guò)計(jì)算目標(biāo)區(qū)中的高程極大值位置作為最終的山頂點(diǎn)坐標(biāo)。

圖3 山頂點(diǎn)提取方法處理流程

有效提取山頂形態(tài)特征是識(shí)別山頂點(diǎn)的關(guān)鍵，為提高山頂區(qū)域的識(shí)別效果，理論上增加網(wǎng)絡(luò)層數(shù)可以提取更深層次的山頂特征，但實(shí)驗(yàn)證明網(wǎng)絡(luò)層數(shù)的過(guò)度加深，會(huì)導(dǎo)致出現(xiàn)梯度消失等問(wèn)題，使得深度網(wǎng)絡(luò)訓(xùn)練精度下降，原始Faster R-CNN網(wǎng)絡(luò)采用VGG-16作為基礎(chǔ)特征提取網(wǎng)絡(luò)，以13個(gè)卷積層進(jìn)行堆疊，難以避免網(wǎng)絡(luò)層數(shù)過(guò)深導(dǎo)致的梯度消失問(wèn)題。而殘差卷積神經(jīng)網(wǎng)絡(luò)ResNet(residual neural network )通過(guò)引用殘差連接，能夠在構(gòu)建深層次卷積神經(jīng)網(wǎng)絡(luò)的同時(shí)，利用殘差模塊向下一個(gè)網(wǎng)絡(luò)單元提供在卷積操作中實(shí)際丟失的關(guān)鍵信息，從而緩解隨著網(wǎng)絡(luò)深度增加帶來(lái)的梯度消失問(wèn)題[17]。殘差模塊結(jié)構(gòu)如圖4所示，其中中間兩個(gè)卷積層表示進(jìn)行兩次卷積運(yùn)算，x是殘差塊的輸入值，F(xiàn)(x)是卷積塊的輸出值，F(xiàn)(x)+x是殘差塊的輸出。因此，為了提取深層次的山頂區(qū)域形態(tài)特征，選擇ResNet-101替代原始Faster R-CNN中的VGG-16網(wǎng)絡(luò)作為山地樣本數(shù)據(jù)的特征提取模塊，用于承擔(dān)山頂樣本數(shù)據(jù)的特征提取任務(wù)。同時(shí)考慮到自建山頂樣本數(shù)據(jù)量有限，而卷積神經(jīng)網(wǎng)絡(luò)的性能優(yōu)劣易受到可學(xué)習(xí)樣本量的影響，在此借鑒文獻(xiàn)[18]中的技術(shù)思路，先利用ImageNet數(shù)據(jù)集[19]對(duì)ResNet-101網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練，凍結(jié)提取淺層通用特征的底層卷積塊，然后使用自建的山頂樣本集PEAK-100對(duì)頂層卷積塊進(jìn)行內(nèi)部參數(shù)微調(diào)，以遷移學(xué)習(xí)的方式適應(yīng)當(dāng)前山頂區(qū)的特征提取任務(wù)。

圖4 殘差模塊結(jié)構(gòu)

RPN網(wǎng)絡(luò)模塊是Faster R-CNN的算法核心，其目的在于搜索山地樣本中可能存在的目標(biāo)山頂區(qū)。RPN通過(guò)滑動(dòng)窗口形式對(duì)ResNet-101提取的山頂特征圖繼續(xù)進(jìn)行空間卷積，抽取山頂區(qū)更深層次的特征，并將所得空間卷積特征圖上的每一個(gè)像素點(diǎn)映射回原始山地樣本的位置，生成大小、比例各異的錨框。在原始RPN網(wǎng)絡(luò)中是采用3種尺度([128,256,512])和3種橫縱比([0.5,1,2])的參數(shù)設(shè)定在每一個(gè)滑動(dòng)窗口的位置中心生成9個(gè)錨框。而山地樣本數(shù)據(jù)中的山頂區(qū)域尺寸大小各異，直接使用默認(rèn)的錨框參數(shù)難以實(shí)現(xiàn)山頂區(qū)的精準(zhǔn)識(shí)別與定位，為了提高山頂要素的識(shí)別精度，預(yù)先采用K-means聚類算法根據(jù)山頂標(biāo)注樣本設(shè)定適用于山頂目標(biāo)區(qū)的錨框參數(shù)，并對(duì)原始錨框尺寸進(jìn)行替代優(yōu)化。其中K-means算法的主要思想是將多個(gè)樣本根據(jù)相似性劃分于不同類別中，在此以自建山頂訓(xùn)練集中的標(biāo)注框大小作為聚類算法的輸入，通過(guò)對(duì)樣本集中的標(biāo)注框進(jìn)行聚類分析，確定適用于山頂區(qū)識(shí)別的錨框參數(shù)設(shè)定。

(1)

(2)

RPN網(wǎng)絡(luò)模塊獲取山頂候選區(qū)后，借助分類回歸網(wǎng)絡(luò)對(duì)候選目標(biāo)區(qū)進(jìn)行識(shí)別與修正。感興趣區(qū)域池化層將候選區(qū)域映射回原始特征圖上的位置，得到各山頂候選區(qū)對(duì)應(yīng)的特征圖。由于得到的候選山頂區(qū)大小形態(tài)各異，為進(jìn)一步進(jìn)行山頂區(qū)的識(shí)別與篩選，需進(jìn)行經(jīng)最大池化后再同時(shí)輸入最終的分類層和回歸層進(jìn)行計(jì)算，輸出每個(gè)候選框符合山頂特征的概率值，并再次對(duì)候選框進(jìn)行回歸計(jì)算，利用邊框偏移量對(duì)候選框進(jìn)行坐標(biāo)微調(diào)，使之更接近于理想的山頂區(qū)。為了在獲得的山頂區(qū)域中準(zhǔn)確標(biāo)注出山頂點(diǎn)，將山地圖像中標(biāo)識(shí)出的山頂目標(biāo)區(qū)映射回原始DEM數(shù)據(jù)中，通過(guò)計(jì)算該區(qū)域中的高程極大值點(diǎn)即可標(biāo)定出準(zhǔn)確的山頂點(diǎn)坐標(biāo)，計(jì)算方法如式(3)，其中bij為山頂點(diǎn)位置，αij為坐標(biāo)(i,j)處的高程值。

(3)

3 實(shí)驗(yàn)結(jié)果與分析

山頂點(diǎn)識(shí)別模型實(shí)驗(yàn)環(huán)境基于Windows10操作系統(tǒng)，計(jì)算機(jī)配置處理器為AMD銳龍5 2600X，運(yùn)行內(nèi)存為16G，顯卡型號(hào)為NVIDIA GeForce GTX 2060，以TensorFlow作為深度學(xué)習(xí)框架，并以自建的山頂樣本集PEAK-100進(jìn)行網(wǎng)絡(luò)訓(xùn)練，模型的初始學(xué)習(xí)率為0.001，動(dòng)量為0.9，迭代次數(shù)為10 000次。錨框初始尺寸參數(shù)則利用K-means聚類算法對(duì)山頂訓(xùn)練樣本中的標(biāo)記框進(jìn)行設(shè)定，以山頂區(qū)標(biāo)記框的左下角坐標(biāo)和右上角坐標(biāo)分別計(jì)算其寬度和高度，作為聚類算法的數(shù)據(jù)樣本，其中設(shè)定的K-means聚類算法的準(zhǔn)則函數(shù)為:

(4)

式中,k為聚類類別數(shù)，Sj為第j類的樣本合集，mj為Sj的樣本均值，設(shè)定J=0.01,以k=2,3,4,...,對(duì)訓(xùn)練樣本中的標(biāo)記框大小進(jìn)行聚類分析，得到如圖5所示的結(jié)果，可知相對(duì)于其它聚類結(jié)果，當(dāng)k=4時(shí)，能夠?qū)?shù)據(jù)集中的錨框幾乎均勻的分為4種不同尺寸種類，因此，根據(jù)聚類分析結(jié)果，將聚類中心對(duì)應(yīng)的坐標(biāo)參數(shù)作為Faster R-CNN網(wǎng)絡(luò)的錨框初始尺寸設(shè)定，即以(41.48，50.49)、(63.40，82.33)、(93.13，121.91)與(131.94，194.44)的4種長(zhǎng)寬比例替代原始的錨框參數(shù)作為每一個(gè)山頂區(qū)目標(biāo)的初始錨框設(shè)定值。

圖5 K-Means算法聚類結(jié)果圖

為評(píng)價(jià)山頂點(diǎn)提取結(jié)果，以山頂點(diǎn)識(shí)別的準(zhǔn)確率、誤提率和漏提率作為模型評(píng)價(jià)指標(biāo)。其中準(zhǔn)確率Rd是指識(shí)別出的正確山頂點(diǎn)占識(shí)別結(jié)果的比率；誤提率Rw表示識(shí)別出的山頂點(diǎn)中誤提數(shù)所占的比率；漏提率Ru表示山頂漏提數(shù)占真實(shí)山頂數(shù)的比率。計(jì)算公式為:

(5)

(6)

(7)

式中,TP為識(shí)別結(jié)果中正確的山頂點(diǎn)個(gè)數(shù)；FP為識(shí)別結(jié)果中誤提的山頂點(diǎn)個(gè)數(shù)；Fl為識(shí)別結(jié)果中漏提的山頂點(diǎn)個(gè)數(shù)。

為了測(cè)試改進(jìn)Faster R-CNN中ResNet-101網(wǎng)絡(luò)模塊對(duì)山地樣本特征提取的有效性，選取如圖6的淺層山頂特征圖進(jìn)行可視化表達(dá)。可以看出，ResNet-101網(wǎng)絡(luò)對(duì)標(biāo)注的山頂區(qū)進(jìn)行多階段的特征提取，對(duì)山頂區(qū)的位置、形態(tài)有著良好的信息表達(dá)能力，說(shuō)明該網(wǎng)絡(luò)模型能夠自動(dòng)挖掘山地樣本中的山頂特征。

圖6 特征圖可視化

在數(shù)據(jù)處理階段，通過(guò)將DEM數(shù)據(jù)以等高線圖與灰度渲染圖的形式進(jìn)行疊加，融合兩種模態(tài)下的山頂特征。為了驗(yàn)證該數(shù)據(jù)處理方式的有效性，對(duì)不同模態(tài)下的山頂區(qū)識(shí)別效果進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖7所示，圖(a)為灰度渲染圖的識(shí)別結(jié)果，圖(b)為等高線圖中的識(shí)別結(jié)果，圖(c)為疊加處理后的識(shí)別結(jié)果，其中，A和B框?yàn)檎`提、漏提的山頂區(qū)，同時(shí)分別在自建的山頂樣本集中進(jìn)行測(cè)試實(shí)驗(yàn)，統(tǒng)計(jì)結(jié)果如表1所示。可以看出，由于等高線圖或灰度圖在單模態(tài)下難以完整表述山頂?shù)男螒B(tài)特征，容易造成山頂區(qū)的誤提與漏提現(xiàn)象。其中在灰度圖下的山頂識(shí)別精度較低，這是由于灰度圖中的山頂形態(tài)不易確定，僅能表述山頂?shù)母叱套兓厔?shì)，候選框難以準(zhǔn)確標(biāo)定出山頂目標(biāo)區(qū)；等高線圖則主要反映山頂要素的輪廓形態(tài)，難以通過(guò)圖像的形式對(duì)山頂要素的高程變化趨勢(shì)進(jìn)行準(zhǔn)確描述，易出現(xiàn)山頂區(qū)的誤提現(xiàn)象。而通過(guò)結(jié)合灰度圖與等高線圖兩種模態(tài)下的山頂形態(tài)特征能夠有效提高山頂區(qū)的識(shí)別效果。

圖7 不同模態(tài)下的山頂區(qū)識(shí)別結(jié)果

表1 不同模態(tài)下的識(shí)別結(jié)果對(duì)比

為了驗(yàn)證新方法在不同地貌的山頂點(diǎn)提取性能，另外選取我國(guó)具有代表性的三大地貌階梯中的中起伏低山(數(shù)據(jù)I)、大起伏中山(數(shù)據(jù)II)、和大起伏極高山(數(shù)據(jù)III)對(duì)新方法進(jìn)行測(cè)試。圖8為不同地貌下的山頂點(diǎn)識(shí)別結(jié)果，其中方框?yàn)樾路椒ㄗR(shí)別出的山頂區(qū)域，圓點(diǎn)為提取的山頂點(diǎn)，A類點(diǎn)為誤提的山頂點(diǎn)。從實(shí)驗(yàn)結(jié)果中標(biāo)定的山頂點(diǎn)位置可知，識(shí)別出的山頂點(diǎn)均位于山地高程極值處，符合山頂點(diǎn)要素的定性描述特征，其中誤提的山頂點(diǎn)其周圍形態(tài)也較符合山頂?shù)膮^(qū)域特征，說(shuō)明深度網(wǎng)絡(luò)模型是以山頂區(qū)所呈現(xiàn)的空間形態(tài)作為主要特征進(jìn)行學(xué)習(xí)的。

圖8 基于Faster R-CNN網(wǎng)絡(luò)的山頂點(diǎn)識(shí)別結(jié)果

此外，還設(shè)計(jì)實(shí)現(xiàn)了拓?fù)浞治龇╗6]、等高線剖分[20]、原始Faster R-CNN與新方法進(jìn)行對(duì)比實(shí)驗(yàn)，各種方法分別在自建PEAK-100山頂測(cè)試集上的實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如表2所示。結(jié)果表明，新方法利用改進(jìn)的Faster R-CNN深度網(wǎng)絡(luò)模型實(shí)現(xiàn)山頂?shù)淖詣?dòng)標(biāo)識(shí)，雖仍存在山頂?shù)恼`提與漏提現(xiàn)象，但相比于傳統(tǒng)方法山頂?shù)淖R(shí)別更為準(zhǔn)確，漏提和誤提的山頂點(diǎn)更少，表明改進(jìn)的Faster R-CNN網(wǎng)絡(luò)模型能有效學(xué)習(xí)山頂區(qū)所呈現(xiàn)的形態(tài)特征，避免了人工選擇特征的局限性。

表2 新方法與其他方法對(duì)比實(shí)驗(yàn)結(jié)果

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)山頂點(diǎn)識(shí)別方法中人工選擇特征困難等問(wèn)題，以DEM中的山頂要素為研究對(duì)象，結(jié)合深度學(xué)習(xí)技術(shù)，設(shè)計(jì)了一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的山頂點(diǎn)識(shí)別方法。通過(guò)將DEM數(shù)據(jù)變換為等高線圖和灰度圖疊加的形式，選擇ResNet-101自動(dòng)提取山頂?shù)纳疃忍卣鳎瑫r(shí)利用K-Means算法對(duì)Faster R-CNN網(wǎng)絡(luò)模型中的錨框尺寸進(jìn)行優(yōu)化設(shè)定，實(shí)現(xiàn)了山頂?shù)淖詣?dòng)化標(biāo)識(shí)。實(shí)驗(yàn)結(jié)果表明，該方法有效避免了山頂要素提取易受人工選擇特征的影響，提高了山頂點(diǎn)的識(shí)別精度，為DEM中的山頂要素識(shí)別提供了新的技術(shù)途徑。但因自建的山頂樣本集數(shù)據(jù)量有限，提取結(jié)果中仍會(huì)出現(xiàn)一定的誤提、漏提的現(xiàn)象，今后可通過(guò)數(shù)據(jù)增廣等方法來(lái)充實(shí)DEM地形樣本數(shù)量，提高深度學(xué)習(xí)模型的數(shù)據(jù)支撐。