Page 33 - 《中国民族建筑》2020新春特刊

图2 双寿坊宅门不同角度照片类型自动识别效果的比较

的各类型之间比例数值，可有力支撑 号这样针对性强的在线图片来源，最 片，则验证集准确率一般只能达到约

风格融合、演化、变迁等的研究，所 终得到四类宅门共计 1141 张图片数据 60~70%，即照片质量也会影响图像特

以这三张饼图中呈现的不稳定比例是 集。按照 4:1 的比例，将每类宅门的 征数学建模这最关键的第一步，再一

无法满足专业要求的。 数据集随机分成训练集和验证集，利 次证明图像完整、无变形的重要性。

当前图像领域常用机器学习神 用谷歌公司提供的在 ImageNet 上训练 中国传统村落是在人多地少的环

经 网 络 主 要 有 AlexNet、VGG-Net、 好的基本数学模型，输入训练集提取 境中生长延续数千年，必然空间狭促

GoogLeNet 和 ResNet 等，这一测试所 到四个宅门类型对应的特征向量，将 拍摄困难 ；建筑紧邻、相互勾连与重

用的是结合了 GoogLeNet 中 Inception 其作为新的输入变量训练神经网络， 叠也都是常见的问题，图像中宅门与

结 构 和 ResNet 网 络， 该 网 络 在 得到可以对宅门图片进行分类的数学 前后景物难以剥离，存在镂空装饰时

ImageNet 数据集上的测试结果达到了 模型 ；通过调整学习率为 0.01，经过 更甚。这些问题是国外建筑遗产领域

3.08% 的 top-5 错误率 [6] ，由于传统村 1000 次训练，模型收敛，最终得到验 或国内都市研究中较少遇到的，却是

落宅门数据量对于常规机器学习所需 证集准确率约为 94.0% 的最终四类型 村落应用难以回避的问题。

的数量而言比较少，该神经网络应用迁 识别用模型。再将图 2 所示的新照片

移学习方法 [7] 在短时间内利用较少数 输入这一模型，得到图 2 饼图分类结果。 三、解决途径 ：结合摄影测量的宅

据集能够得到相对准确的识别模型。 需要进一步解释的是数据集选 门图像完整采集与智能分类方法

这一机器学习过程所用数据集是 用的照片大多为近似正对立面拍摄的

以流坑周边村落调研拍摄的宅门图像 完 整 宅 门 照 片， 才能 达 到 数 学 建 模 （一）针对村落研究需求和现实条

为主，并适当补充“抚州古村”公众 的要求 ；若大量使用局部、倾斜照 件建立适合的作业链条（工作框架）

www.naioc.org.cn ／ 27