用深度学习采集建筑数据

测绘行业数据的采集往往需要专业的仪器、耗费大量的人力物力。而这也导致了基础地理数据的更新往往跟不上应用的需求。如何在极短的时间内更新基础地理数据，对于实时应用、动态监控等场景具有重要的意义。

遥感影像的出现使得快速获取大范围的地理信息数据成为了可能。然而，虽然影像中包含地物的光谱特征，如何自动地从光谱识别各类地物却是一个难题。

随着深度学习的突破，我们已经可以从海量数据中训练得到精度很高的模型，而这些模型在图像识别、语音识别、翻译等领域达到了传统方法所达不到的效果。

从本质上说，影像的识别问题属于图像识别，我们采用了目前识别精度最高的深度余差卷积网络来结合谷歌影像和 OpenStreetMap 数据进行训练，得到了影像的分类模型和建筑分割模型。

下面是使用训练得到的建筑分割模型对北京城区进行分割得到的结果，值得强调的是我们得到这个建筑图层只用了两个小时，而使用传统的方式需要的时间和人力物力是不可想象的。