深度学习与ArcGIS概述（一）：AI与GIS融合

课程整体概况：arcgis10.8深度学习介绍课程梳理

1、深度学习与ArcGIS基础概念介绍

   三者的区别和联系：

机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。

   深度学习，作为目前最热的机器学习方法，但并不意味着是机器学习的终点。起码目前存在以下问题：

   深度学习 模型  需要大量的训练数据，才能展现出神奇的效果，但现实生活中往往会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法就可以处理；深度学习在计算机视觉、自然语言处理领域的应用远超过传统的机器学习方法，这就是深度学习火得发红发紫的原因。

   有些领域，采用传统的简单的机器学习方法，可以很好地 解决 了，没必要非得用复杂的深度学习方法；

   深度学习的思想，来源于人脑的启发，但绝不是人脑的模拟，举个例子，给一个三四岁的小孩看一辆自行车之后，再见到哪怕外观完全不同的自行车，小孩也十有八九能做出那是一辆自行车的判断，也就是说，人类的学习过程往往不需要大规模的 训练数据  ，而现在的深度学习方法显然不是对人脑的模拟。

神经网络的发展分为了三个不同的阶段：

   最早的神经网络的思想起源于1943年的MCP人工神经元模型，当时是希望能够用计算机来模拟人的神经元反应的过程，该模型将神经元简化为了三个过程：输入信号线性加权，求和，非线性激活（阈值法）

现代DL大牛Hinton在1986年发明了适用于多层感知器（MLP）的BP算法，并采用Sigmoid进行非线性映射，有效解决了非线性分类和学习的问题。

   也是在1989年，LeCun发明了卷积神经网络-LeNet，并将其用于数字识别，且取得了较好的成绩，不过当时并没有引起足够的注意。

爆发期（2012~至今）2012年，Hinton课题组为了证明深度学习的潜力，首次参加 ImageNet 图像识别比赛，其通过构建的CNN网络Al。

AlexNet一举夺得冠军，且碾压第二名（SVM方法）的分类性能。也正是由于该比赛，CNN吸引到了众多研究者的注意

图像分类：给定一张输入图像，图像分类任务旨在判断该图像所属类别

   目前较为流行的图像分类架构是卷积神经网络（CNN）——将图像送入网络，然后网络对图像数据进行分类。卷积神经网络从输入“扫描仪”开始，该输入“扫描仪”也不会一次性解析所有的训练数据。比如输入一个大小为 100*100 的图像，你也不需要一个有 10,000 个节点的网络层。相反，你只需要创建一个大小为 10 10 的扫描输入层，扫描图像的前 1010 个像素。然后，扫描仪向右移动一个像素，再扫描下一个 10 *10 的像素，这就是滑动窗口。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删