楊 敏，陳 果，李連營，黃浩然，苗 靜，晏雄鋒,2

1. 武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079； 2. 同濟大學(xué)測繪與地理信息學(xué)院，上海 200092； 3. 武漢市測繪研究院，湖北 武漢 430022

地圖上的線狀目標表示道路、河流、海岸線、行政區(qū)界線等地理實體。它們在幾何形態(tài)上呈現(xiàn)不同的模式結(jié)構(gòu)，反映所表達對象的空間分布特征和地理意義。特別地，同一線狀目標的不同部分通常呈現(xiàn)出不同的模式類型。例如，經(jīng)過不同性質(zhì)灘涂的海岸線、表達不同類型地貌的等高線、穿越不同地形區(qū)域的道路線等。因此，對線狀目標隱含的模式特征進行識別并實施分段處理具有重要意義[1]。以線狀目標的制圖綜合為例，不同形態(tài)結(jié)構(gòu)的曲線段需要采用不同的化簡操作，從而保證輸出結(jié)果的合理性[2]。前期研究工作主要關(guān)注綜合變換操作的程序?qū)崿F(xiàn)，針對線狀目標設(shè)計了多種化簡算法[3-6]。然而，如何合理地選擇算法及參數(shù)，仍然依賴專業(yè)人員對線狀目標模式特征的判斷，導(dǎo)致綜合實施過程的自動化水平不高[7]。因此，當(dāng)前研究的重點逐漸轉(zhuǎn)向線狀目標的模式識別與分段工作[8]，以便不同模式的曲線段自動匹配相適應(yīng)的化簡算法，從而構(gòu)建完整的“模式診斷→行為決策→操作執(zhí)行”技術(shù)鏈條。

線狀目標分段研究涉及兩個方面：模式類型的劃分和模式識別與分段方法的構(gòu)建。前者屬于空間認知范疇，要綜合考慮線狀目標的幾何特征和地理屬性。文獻[9]將山區(qū)道路曲線段的模式劃分為光滑、彎曲且方向固定、彎曲且方向不固定及非常彎曲。文獻[10]將局部海岸線區(qū)分為光滑曲折性小、曲折但方向固定、彎曲且方向不明3種模式。本文關(guān)注后一階段工作，即自動識別不同模式類型的曲線段并完成線狀目標的分段處理。

針對這一問題，目前主要存在兩類方法。

方法1：將某些特征點作為分段的切割位置，關(guān)注線狀目標幾何形態(tài)在特征點處延展方向的變化。特征點可以采用局部曲率極值點、拐點，也可以是通過曲線壓縮方法對線狀目標實施處理后保留的節(jié)點，如Douglas-Peucker(DP)算法[11]、Visvalingam-Whyatt(VW)算法[12]。該類方法采用節(jié)點間長度、角度、曲率等簡單參量進行分析，對復(fù)雜形態(tài)結(jié)構(gòu)的描述能力不足，難以保證按同質(zhì)性原則輸出曲線段。

方法2：將彎曲結(jié)構(gòu)作為曲線形態(tài)的基本單元，通過對局部彎曲特征的統(tǒng)計分析實現(xiàn)不同模式曲線段識別。文獻[13]利用移動窗口按固定步長沿著線狀目標移動，統(tǒng)計每個窗口內(nèi)曲線段的彎曲特征參量并結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)進行形態(tài)結(jié)構(gòu)的分類，最后將相鄰窗口同種模式的曲線段合并實現(xiàn)分段輸出。文獻[10]利用同樣的策略結(jié)合貝葉斯模型設(shè)計了海岸線的分段方法。相比較方法1，基于彎曲特征分析的方法能夠更好地考慮高層次的形態(tài)結(jié)構(gòu)，從而提升分段結(jié)果的合理性。然而，該類方法依賴人工選擇特征參量，容易受到人的主觀性影響。此外，不同要素類型甚至不同區(qū)域環(huán)境下分布的線狀目標，需要選擇不同的特征參量組合，導(dǎo)致實際應(yīng)用難以推廣。

針對現(xiàn)有方法的不足，本文引入卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)構(gòu)建線狀目標的模式識別與分段方法。作為深度學(xué)習(xí)中的代表性算法，CNN仿造生物視知覺機制構(gòu)建得到。通過隱含層內(nèi)的卷積核參數(shù)共享和層間連接的稀疏性，CNN具備從淺層信息中提取深層次特征的能力[14]。早期CNN主要處理格點化或序列化特征數(shù)據(jù)，在圖像分割[15-16]、自然語言處理[17]等任務(wù)中表現(xiàn)出色。通過重新設(shè)計卷積和池化等運算后，可拓展處理圖結(jié)構(gòu)組織的數(shù)據(jù)[18]。近些年，相關(guān)學(xué)者也將CNN及變種應(yīng)用到地圖數(shù)據(jù)處理中，包括面狀目標形狀編碼認知[19]、島嶼邊界線綜合[20]，建筑物目標模式分類[21]、居民地綜合處理[22-23]等。深度學(xué)習(xí)網(wǎng)絡(luò)能夠從樣本數(shù)據(jù)中獲取決策知識，無須人工進行特征選擇與規(guī)則設(shè)計。從視覺認知的角度看，曲線的模式分段與圖像的語義分割存在相似之處，即將具備相似特征的基本單元組合形成局部連續(xù)的同質(zhì)結(jié)構(gòu)。受此啟發(fā)，本文提出如下的線狀目標分段思路：將相鄰節(jié)點構(gòu)成的線元類比柵格模型中的像元，線狀目標則組織為由線元描述特征構(gòu)成的序列結(jié)構(gòu)；在此基礎(chǔ)上，將線狀目標分段問題轉(zhuǎn)化為每個線元的模式分類問題，并參考用于像元分類的全連接網(wǎng)絡(luò)模型，構(gòu)建序列卷積神經(jīng)網(wǎng)絡(luò)(sequential CNN,SCNN)用于線元特征序列學(xué)習(xí)與模式預(yù)測；最后，通過相鄰且同種模式類型線元的合并處理輸出分段結(jié)果。

1 方 法

本文提出的線狀目標分段方法包括3個步驟(圖1)：①線元特征準備；②線元特征學(xué)習(xí)與模式分類；③分段結(jié)果組織與后處理。

圖1 基于SCNN的線狀目標分段模型框架Fig.1 Framework for segmentation of linear map objects using a SCNN model

1.1 線元特征準備

1.1.1 幾何坐標預(yù)處理

考慮到線狀目標上的節(jié)點分布往往疏密不均，導(dǎo)致線元尺寸差異過大，可能影響后續(xù)卷積及池化操作。為此，本文首先運用DP算法對線狀目標進行節(jié)點壓縮處理，通過設(shè)置合適矢高閾值ε刪除局部分布過密的節(jié)點。但壓縮操作可能導(dǎo)致較為平直的線段節(jié)點分布更加稀疏，如圖2所示，因此進一步實施節(jié)點加密操作保證所有線元尺寸在一定范圍內(nèi)。從初始節(jié)點開始遍歷，若相鄰兩節(jié)點pi、pi+1構(gòu)成的線元長度|pipi+1|大于給定閾值w，則添加新的節(jié)點。設(shè)m表示內(nèi)插節(jié)點數(shù)量，m滿足w×m≤|pipi+1|且w×(m+1)>|pipi+1|，則第k(1≤k≤m)個內(nèi)插節(jié)點的坐標值xk和yk計算如下

圖2 線狀目標的幾何坐標預(yù)處理過程Fig.2 The preprocessing of geometric coordinates of linear objects

(1)

1.1.2 線元特征提取與表達

假定預(yù)處理后線狀目標L包含節(jié)點p1，p2，…，pn+1，pi=(xi,yi)(1≤i≤n+1)，其中，xi和yi表示pi的位置坐標，pi和pi+1所構(gòu)成的直線段稱為線元ei，如圖3所示。線元作為線狀目標的基本構(gòu)成單元，其兩側(cè)端點的坐標差異體現(xiàn)了局部曲線段在該位置的微觀變化，因此，本文以pi和pi+1間橫坐標差Δxi和縱坐標差Δyi作為ei的描述特征，表示為(Δxi,Δyi)。那么，線狀目標L的幾何信息可表達為一系列線元特征構(gòu)成的二維序列((Δx1,Δy1),(Δx2,Δy2),…,(Δxn,Δyn))，并以此作為模型的輸入。

圖3 線元特征的提取與表達Fig.3 Feature extraction and encoding for segment elements

1.1.3 線元模式類別標注

線元模式類別標注過程如圖4所示。首先，由專業(yè)人員對線狀目標進行分段，并標注出每條子線段的模式類別。模式類別的劃分需要綜合考慮地圖比例尺、幾何形態(tài)特點、后續(xù)應(yīng)用需求等。然后，將每一子線段的模式類別信息賦予其包含的所有線元。最終，線狀目標L的標注信息表達為標簽序列T=〈t1,t2,…,tn〉，其中ti表示線元ei的模式類別。

圖4 線元標注過程Fig.4 Illustration of the labeling for segment elements

1.2 線元特征學(xué)習(xí)與模式分類

本文參考經(jīng)典U-net[15,17]構(gòu)建面向序列數(shù)據(jù)的CNN模型進行線元模式特征分類識別?；舅枷胧峭ㄟ^多個卷積、池化、上采樣運算單元將N×F維的輸入特征，即1.1.2節(jié)中介紹的n×2維序列，變?yōu)橐粋€同尺寸但更低維的向量(即N×1維)，即1.1.3節(jié)中介紹的n×1維標簽。訓(xùn)練學(xué)習(xí)的目標是讓輸出向量與線元模式標注結(jié)果盡可能接近。整體網(wǎng)絡(luò)架構(gòu)如圖5所示。

圖5 面向線元模式分類的SCNN架構(gòu)Fig.5 SCNN architecture for pattern classification of segment elements

1.2.1 卷積與池化運算

卷積運算的目的是從淺層次的線元特征中提取用于形態(tài)分析的高層次特征。先通過卷積濾波器對輸入特征實施卷積運算，然后利用激活函數(shù)輸出為卷積特征。由于線元序列屬于一維結(jié)構(gòu)，利用寬度為h的卷積核w∈hk對線元片段Li:i+h-1進行計算，產(chǎn)生新特征ci的表達式為

ci=f(w?Li:i+h-1+b)

(2)

池化運算通過間隔采樣獲取粗粒度的主體特征，有助于減少參數(shù)和計算量及防止過擬合現(xiàn)象，提升模型的泛化能力。本文采用最大池化運算，對窗口大小為l的線元片段特征Ci·s:i·s+l-1，取其最大特征值作為輸出，表達式為

(3)

圖6 序列數(shù)據(jù)的卷積和池化運算Fig.6 Convolution and pooling operations on sequential data

1.2.2 上采樣運算與跳層連接

通過運用連續(xù)的上采樣運算，特征圖尺寸可恢復(fù)為原始輸入大小。針對輸入的特征圖P，步長為s、卷積核尺寸為k的上采樣運算表示為

U=WTP

(4)

式中，W表示卷積核的稀疏矩陣；U={u1,u2,…us(i-1)+k}為輸出特征向量。

值得注意的是，池化及上采樣運算會導(dǎo)致特征圖中元素表達信息的損失。為了控制這種信息損失，建立特征提取階段特征圖與上采樣階段特征圖間的跳層連接關(guān)系(圖5)。具體地，將上采樣后的特征圖與特征提取階段中與之通道數(shù)量相同的特征圖進行拼接，從而產(chǎn)生一個通道數(shù)翻倍的特征圖，然后運用卷積運算校正特征圖中各元素的值使得通道數(shù)恢復(fù)。

1.2.3 分類預(yù)測與訓(xùn)練

在最后一層卷積運算后，得到長度為線元數(shù)量n、通道數(shù)為模式類別數(shù)量m的輸出值。對于第i個線元(1≤i≤n)，其每個通道上輸出值為zj(1≤j≤m)，用Softmax激活函數(shù)處理，即

(5)

模型訓(xùn)練過程表現(xiàn)為不斷調(diào)整參數(shù)以最小化預(yù)測值與標簽值之間的差異，即損失值。本文采用交叉熵作為損失值的度量函數(shù)，表達式為

(6)

式中，xi為第i個線元的預(yù)測值；yi為標簽值。交叉熵越小，則預(yù)測值與標簽值越接近。數(shù)據(jù)輸入模型后先通過前向傳播得到預(yù)測值，并計算其損失值；隨后計算損失值相對各個參量的偏導(dǎo)數(shù)，并利用反向傳播定理按給定學(xué)習(xí)率對參量進行更新，以逐步降低預(yù)測值與標簽值之間的損失。

1.3 分段結(jié)果組織與后處理

將待分段的線狀目標輸入訓(xùn)練好的SCNN模型后，模型預(yù)測得到每個線元的模式類別；將相鄰且模式類別相同的線元合并后形成曲線段，作為輸出的分段結(jié)果。但初始分段結(jié)果中可能存在長度較短的曲線段(圖7)，這不符合形態(tài)認知的連貫性原則。因此，本文采用一種迭代融合的方法用于分段結(jié)果后處理。首先，搜索長度最小且小于設(shè)定閾值lmin的曲線段，記為si，前后相鄰曲線段為si-1、si+1；將si的模式類別調(diào)整為與si-1和si+1中較長者相一致并實施合并；重復(fù)上述步驟，直至所有曲線段長度大于閾值lmin。其中，lmin的取值由表達比例尺、后續(xù)應(yīng)用需求等因素綜合確定。

圖7 分段結(jié)果的融合后處理Fig.7 Fusion processing of the segmentation results

2 試驗分析與討論

2.1 試驗數(shù)據(jù)與模式類別劃分

本文采用1∶5萬行政區(qū)界線(廣東省廣州市)和1∶25萬山區(qū)道路(四川省攀枝花市)開展試驗。其中，行政區(qū)界線訓(xùn)練集和測試集包含線狀目標數(shù)量分別為96和66，道路訓(xùn)練集和測試集的目標數(shù)量分別為81和27。幾何坐標預(yù)處理時，行政區(qū)界線和道路目標的節(jié)點壓縮矢高ε與內(nèi)插距離閾值w分別設(shè)置為10、150和20、300 m。

對于行政區(qū)界線，結(jié)合本文試驗數(shù)據(jù)的曲線形態(tài)特征以及不同綜合化簡算法處理數(shù)據(jù)的特點，劃分為光滑型、折線型和彎曲型3種模式，如圖8(a)所示。其中，折線型曲線段在一定范圍內(nèi)呈平直狀，在某些位置切線方向發(fā)生變化而產(chǎn)生彎折，并且彎折處呈近似直角。該類型曲線段大多出現(xiàn)在居民地區(qū)域，綜合化簡時注重關(guān)鍵轉(zhuǎn)折點的保留及正交特征的保持[5-6]。彎曲型曲線段的切線方向呈不規(guī)律變化，存在不同大小彎曲構(gòu)成的復(fù)雜層次結(jié)構(gòu)。該類型行政界線多源自復(fù)雜地形特征線，如山脊、海岸線等，需采用具備識別彎曲結(jié)構(gòu)能力的化簡算法[3]。光滑型線段的線形較為流暢，彎曲長度和半徑較大，切線方向變化較為平緩。對于山區(qū)道路目標，參考文獻[9]中考慮的方向變化、曲折度、光滑性特征，以及結(jié)合本文試驗數(shù)據(jù)中常出現(xiàn)的曲線形態(tài)特征，最終劃分為4種模式類別，分別是：①光滑型，線形流暢、曲折性??；②彎曲且方向固定型，存在小彎曲或折曲，但主體彎曲方向不變；③彎曲且方向不固定型，即彎曲方向不明，存在波動；④非常彎曲型，形態(tài)結(jié)構(gòu)呈回形針狀，符號化后容易出現(xiàn)圖形沖突現(xiàn)象，如圖8(b)所示。不同模式類型的道路曲線段，同樣需要采用不同的化簡算法。

圖8 模式類別劃分與人工標注案例Fig.8 Examples of line pattern types and manual labeling of administrative boundary and mountain road

2.2 樣本數(shù)據(jù)生成與模型參數(shù)設(shè)置

構(gòu)建的SCNN模型輸入線元特征序列長度設(shè)置為224。采用滑動窗口和幾何變換兩種方法進行樣本數(shù)據(jù)的生成與擴容。如圖9所示，滑動窗口方法是在線狀目標的起始點創(chuàng)建一個窗口，提取窗口內(nèi)部的曲線段作為一個樣本；然后，按照預(yù)設(shè)步長滑動窗口并重復(fù)上述操作，直至終止點被窗口包含。其中，窗口大小設(shè)置為與模型輸入序列長度相一致，移動步長設(shè)置為20個線元。幾何變換方法是對滑動窗口提取的曲線段進行旋轉(zhuǎn)，以擴容樣本。試驗中，每個曲線段按間隔15°旋轉(zhuǎn)得到一個新樣本。最終，行政區(qū)界線訓(xùn)練數(shù)據(jù)集共形成4225個樣本，道路訓(xùn)練數(shù)據(jù)集共形成5180個樣本。對于參與測試的行政區(qū)界線或道路目標，按照輸入序列長度進行切割形成測試樣本。若樣本包含線元數(shù)量達不到輸入序列的長度要求，則通過零值填充方式補齊。最終，行政區(qū)界線測試數(shù)據(jù)集形成80個樣本，道路測試數(shù)據(jù)集形成174個樣本。

圖9 樣本數(shù)據(jù)生成與擴容Fig.9 Sample generation and augmentation

采用Adam算法[24]訓(xùn)練模型50輪，學(xué)習(xí)率為0.000 1，批次大小為32，隨后對測試集進行測試。兩種已有基于機器學(xué)習(xí)的分段方法被用于與本文方法進行對比，即BANN(backpropagation artificial neural network)方法[13]和NB(Na?ve Bayes)方法[10]。這兩種方法均利用移動窗口提取曲線段，采用線段長度與基線長度比、彎曲長度均值、轉(zhuǎn)角均值等10個特征參量描述曲線段的形態(tài)結(jié)構(gòu)[10]。其中，利用主成分分析方法選擇信息量之和大于90%的描述特征作為機器學(xué)習(xí)模型的輸入值。通過多次試驗對比分析，行政區(qū)界線和道路目標的移動窗口大小與移動步長分別設(shè)置為1500、150 m和6000、600 m。BANN隱含層包含15個神經(jīng)元，并采用ReLU激活函數(shù)，貝葉斯方法采用高斯模型。

2.3 試驗結(jié)果與分析

首先，本文評估了行政區(qū)界線和道路測試數(shù)據(jù)中線元總體分類準確率，即正確分類的線元數(shù)量與線元總數(shù)的比率，分別為90.8%和85.8%，這表明本文構(gòu)建的序列卷積網(wǎng)絡(luò)可以較好地從樣本數(shù)據(jù)中捕獲線元的形態(tài)特征，實現(xiàn)較為準確的線元分類。不同方法對兩組測試數(shù)據(jù)的最終分段結(jié)果如圖10所示。

針對兩組測試數(shù)據(jù)，3種方法都能根據(jù)形態(tài)特征進行有效分割，形成具備形態(tài)均質(zhì)性的線段。對比BANN和NB兩種方法，本文方法模式類別預(yù)測錯誤情況較少，分段較為準確。例如，圖10(c)、(d)所示的行政界線數(shù)據(jù)分段結(jié)果中黃色橢圓標注區(qū)域，存在光滑型線段被對比方法預(yù)測為折線型模式，且表現(xiàn)出因依賴單個彎曲而不具備較大區(qū)域內(nèi)的宏觀性判斷，而本文方法的分段結(jié)果更為合理，符合視覺認知；圖10(g)、(h)中所示的道路數(shù)據(jù)分段結(jié)果中紫色橢圓標注區(qū)域，存在非常彎曲型線段被對比方法預(yù)測為彎曲且方向不固定型，而本文方法的分段結(jié)果與人工標注一致。此外，BANN方法和NB方法分段結(jié)果中存在不少零碎分割現(xiàn)象，例如圖10(c)、(d)、(g)、(h)中綠色橢圓標注的區(qū)域，而本文方法通過迭代融合方法處理后可有效避免該現(xiàn)象。

圖10 不同方法對兩組測試數(shù)據(jù)的分段結(jié)果示例Fig.10 Comparison of the segmentation results of the two testing datasets obtained by the manual annotation and the three automatic methods

進一步地，采用一致性比率指標對不同方法的分段識別結(jié)果進行量化評價。對于某一模式類別i的分段一致性比率LAi，定義為

(7)

式中，L_correcti表示該類別曲線段被完全正確識別的長度；L_totali表示該類別曲線段的總長度。對于整體的分段一致性比率LA，定義為

(8)

式中，L_total表示測試集線狀目標的總長度。

不同方法的整體分段一致性比率和不同模式類別的分段一致性比率統(tǒng)計結(jié)果見表1。分析發(fā)現(xiàn)，本文方法在兩個測試數(shù)據(jù)集上取得的整體分段一致性比率均超過85%，相較其他兩種方法有一定提升。具體來看，針對行政區(qū)界線數(shù)據(jù)，BANN方法和NB方法識別彎曲型曲線段的一致性比率都達到90%，略優(yōu)于本文方法；但是對于光滑型和折線型曲線段，兩種方法的一致性比率都低于本文方法。結(jié)合圖10(a)—(d)分析也發(fā)現(xiàn)，這兩種方法中大量的光滑型曲線段被錯誤地識別為折線型，特別是NB方法對光滑型曲線段的識別一致性比率僅達到48.87%。經(jīng)統(tǒng)計，標注為光滑型的368.9 km曲線段中有181.1 km被劃分為折線型。針對山區(qū)道路數(shù)據(jù)，本文方法對不同模式曲線段的識別都好于兩個對比方法。但是針對光滑型的曲線段，3種方法的分類精度都相對偏低；對于非常彎曲型的曲線段，BANN方法和NB方法都容易錯誤地識別為彎曲且方向不固定型，如圖10(g)、(h)中紫色橢圓標注區(qū)域。

表1 利用不同方法對兩組測試集線狀目標分段結(jié)果的評價指標統(tǒng)計Tab.1 Evaluation index statistics of the segmentation results for the two testing datasets using different methods (%)

2.4 討 論

上述試驗結(jié)果表明，本文方法整體上優(yōu)于基于BANN和NB模型的分段方法。這可能與常規(guī)機器學(xué)習(xí)方法要求人工選擇特征描述參量有關(guān)。例如，采用基于彎曲結(jié)構(gòu)定義的特征參量，適合于描述行政區(qū)界線上彎曲形曲線段形態(tài)變化，而對于光滑型和折線型曲線段則缺乏有效描述能力。本文方法則充分利用深度學(xué)習(xí)的深層次特征抽取能力，以線元為基本單位，以線元兩側(cè)端點的橫縱坐標差作為特征描述，通過卷積神經(jīng)網(wǎng)絡(luò)表征高階特征，從而避免人為選擇特征描述參量帶來的主觀性，對不同尺度、不同類型的線狀目標分段適應(yīng)性更好。

但同時也發(fā)現(xiàn)本文方法在分段點的確定上相比于人工標注存在一定差異，主要包括兩種情形：①部分不同模式類別的曲線段之間本身存在交界模糊的現(xiàn)象，如圖11(a)所示，該種情形具備存在的合理性，對最終分段結(jié)果的影響較?。虎诓煌Ｊ筋悇e的曲線段之間分界點明確且兩側(cè)線形差異明顯，但是本文方法產(chǎn)生了錯誤的分段輸出，如圖11(b)所示，該情形與模型對邊緣信息辨識能力不足有關(guān)，這也是本文方法所面臨的難點問題之一。采取的措施包括在多個尺度范圍提取特征并進行融合處理，但這會提升模型的復(fù)雜程度且降低計算效率，后續(xù)需要進行更加深入的研究。

圖11 分段邊界模糊的兩種情形Fig.11 Examples of inaccurate segmenting boundaries

3 結(jié) 論

本文設(shè)計了一種線元特征學(xué)習(xí)與模式分類預(yù)測的SCNN模型，并在此基礎(chǔ)上實現(xiàn)形態(tài)異質(zhì)曲線段的分割。該方法的創(chuàng)新之處在于：①將不規(guī)則的矢量線狀目標組織表達為線元特征構(gòu)成的序列，滿足深度學(xué)習(xí)模型的規(guī)范性數(shù)據(jù)輸入要求；②引入圖像語義分割領(lǐng)域的思想，將線狀目標分段問題轉(zhuǎn)化為線元的模式分類問題，利用卷積運算實現(xiàn)鄰域信息的集成與高層次特征的提取，從而提升模式識別與分段性能；③以線元兩端點的坐標差作為輸入特征，通過深度學(xué)習(xí)獲取高層次的曲線段類別描述特征，有效避免人工選擇特征帶來的主觀性影響。采用不同比例尺的行政區(qū)界線和山區(qū)道路數(shù)據(jù)進行試驗驗證，輸出結(jié)果的分段一致性比率分別達到91.25%和85.65%，相比較基于傳統(tǒng)機器學(xué)習(xí)的分段方法有一定提升。

后續(xù)工作將圍繞以下幾方面開展：①將本文方法應(yīng)用到海岸線、等高線、單線河流等其他類型的線狀目標，同時進一步擴展形態(tài)特征分類模式，更全面地考察本文方法的優(yōu)勢和不足之處，并更好地與后續(xù)地圖數(shù)據(jù)處理操作(如綜合化簡)建立銜接關(guān)系；②改進SCNN模型，包括輸入特征維度和網(wǎng)絡(luò)層數(shù)的優(yōu)化，以及其他激活函數(shù)的嘗試等；③高質(zhì)量的樣本數(shù)據(jù)對基于深度學(xué)習(xí)的方法具有重要影響，后續(xù)將圍繞不同語義類型的線狀目標及不同的應(yīng)用場景構(gòu)建專門的樣本數(shù)據(jù)集。